데이터 기반 임베딩을 활용한 유사도 학습 프레임워크

본 논문은 비정형 데이터에서 흔히 사용되는 유사도·거리 함수가 반드시 양의 반정밀도(PSD) 커널 형태일 필요는 없다는 현실적 문제에서 출발한다. 기존 연구는 (1) 비 PSD 커널을 PSD 로 변환하는 스펙트럼 클리핑, (2) k‑NN 등 전통 알고리즘을 비 PSD에 적용하는 비효율적 방법, (3) 랜드마크 기반 저차원 임베딩을 이용해 선형 분류기를 학습하는 접근으로 크게 세 갈래로 나뉘었다. 특히 세 번째 접근은 Balcan‑Blum과 Wang et al.이 제시한 “goodness” 조건에 의존했으며, 이 조건이 고정되어 있어 실제 데이터에 맞지 않을 경우 성능 저하가 발생한다는 한계를 가지고 있었다. 저자들은 이러한 한계를 극복하기 위해 “전이 함수(transfer function)”와 “가중치 함수”라는 두 개의 자유도를 도입한다. 전이 함수 f는 실수값을 반환하는 안티대칭 함수이며, K(x,x′)−K(x,x′′)의 차이에 적용되어 유사도 차이를 비선형적으로 변환한다. 가중치 함수 w는 두 입력 쌍에 대해 실수값을 부여하며, 범위