엔트로피 기반 원클래스 분류기

초록

본 논문은 파라미터화된 이질성 측정값을 이용해 데이터를 불일치 공간에 임베딩하고, 완전 가중 유클리드 그래프와 최소 신장 트리를 통해 Rényi 엔트로피를 추정한다. 그래프의 모듈러리티를 최적화하여 클러스터(결정 영역)를 형성하고, 퍼지 멤버십 함수를 적용해 하드·소프트 판정을 제공한다. 파라미터는 전역 최적화로 조정되며, 특성 기반·구조 기반 데이터 모두에 적용 가능함을 실험적으로 입증한다.

상세 분석

이 연구는 원클래스 분류(OCC) 문제를 해결하기 위해 세 가지 핵심 아이디어를 결합한다. 첫째, 입력 데이터를 불일치(dissimilarity) 표현으로 변환함으로써 원시 특성, 레이블이 있는 그래프 등 어떠한 형태의 데이터도 동일한 처리 파이프라인에 투입할 수 있다. 여기서 사용되는 불일치 측정은 파라미터 p에 의해 조정 가능한 함수 d_I(x, r; p)이며, 대표 집합 R을 통해 불일치 행렬 D를 구성한다. 둘째, DSR(불일치 공간 표현)상의 점들을 정점으로 하는 완전 가중 유클리드 그래프 G(p)를 만든 뒤, 그 그래프의 최소 신장 트리(MST)를 이용해 α‑order Rényi 엔트로피를 추정한다. 엔트로피는 데이터 분포의 확산 정도를 정량화하며, 고차원 데이터에서도 안정적인 추정이 가능하도록 설계되었다. 셋째, 그래프의 모듈러리티 Q를 최대화하는 파티션 K(G(p))를 찾는다. 모듈러리티는 클러스터 내부 연결 강도와 클러스터 간 연결 약함을 동시에 고려하므로, 최적 파티션은 데이터의 자연적 군집 구조를 반영한다. 논문은 MST의 정점 차수를 G(p) 전체의 근사치로 활용해 효율적인 파티션 탐색을 수행하고, 정규화된 모듈러리티 M을 목표 함수에 포함시켜 전역 최적화 과정에서 엔트로피와 모듈러리티를 동시에 고려한다. 최종적으로 각 클러스터는 퍼지 멤버십 함수 μ_i(x)로 매핑되어, 테스트 샘플에 대해 하드( Boolean)와 소프트(확률적) 판정을 동시에 제공한다. 파라미터 p는 엔트로피와 모듈러리티를 결합한 목적 함수에 대해 메타휴리스틱(예: 입자 군집 최적화)으로 최적화되며, 이는 데이터의 구조적·통계적 특성을 모두 반영한다. 실험에서는 UCI 표준 데이터셋과 IAM 그래프 데이터베이스를 사용해 기존 SVDD, One‑Class SVM, MST‑기반 방법 등과 비교했으며, 제안 기법이 정확도·AUC·F1 점수에서 일관되게 우수함을 보였다. 특히 구조화된 그래프 데이터에 대해 높은 분류 성능을 유지하면서도 파라미터 자동 튜닝이 가능하다는 점이 실용성을 크게 높인다.