다중 레이어 그래프 클러스터링 Grassmann 다양체 기반 서브스페이스 통합 기법

본 논문은 현대 데이터 분석에서 흔히 마주치는 다중 관계(다중 레이어) 그래프를 효과적으로 통합하여 군집화 성능을 향상시키는 새로운 프레임워크를 제안한다. 먼저, 각 레이어 Gi=(V, Ei, ωi) 를 동일한 정점 집합 V 를 공유하는 가중치 무방향 그래프로 정의하고, 각 레이어에 대해 정규화 라플라시안 L_i 를 계산한다. 스펙트럴 클러스터링의 핵심 아이디어를 차용하여, L_i 의 가장 작은 k개의 고유벡터를 열로 갖는 행렬 U_i 를 구한다. 이 U_i 는 정점들을 k 차원 서브스페이스에 임베딩하는 역할을 하며, 각 레이어마다 서로 다른 서브스페이스를 형성한다. 다음 단계에서는 이러한 서브스페이스들을 Grassmann 다양체 G(k, n) 위의 점으로 해석한다. 다양체 위에서 두 서브스페이스 사이의 거리로는 투영 거리 ‖U_iU_i^T – UU^T‖_F 를 사용한다. 논문은 전체 레이어의 서브스페이스와 하나의 대표 서브스페이스 U 사이의 거리 합 Σ_i α_i‖U_iU_i^T – UU^T‖_F^2 를 최소화하는 최적화 문제를 제시한다. 여기서 α_i 는 각 레이어의 중요도를 나타내는 가중치이며, 필요에 따라 학습하거나 사전 지정할 수 있다. 이 문제는 라그랑주 승수와 행렬 미분을 이용해 폐형 해를 얻을 수 있으며, 최종적으로 대표 서브스페이스 U* 를 도출한다. 대표 서브스페이스 U* 를 얻은 뒤에는 기존 스펙트럴 클러스터링 절차와 동일하게, U* 의 행을 정규화하고 k‑means 를 적용해 최종 군집을 산출한다. 이 과정은 “다중 레이어 정보를 하나의 저차원 서브스페이스에 압축”하고, 그 서브스페이스를 기반으로 군집을 수행함으로써 각 레이어가 제공하는 보완적 정보를 자연스럽게 결합한다는 점에서 혁신적이다. 이론적 측면에서는 투영 거리와 HSIC, Kullback‑Leibler 발산 사이의 수학적 연관성을 증명함으로써, 제안 방법이 통계적 독립성 측정 및 정보 이론적 관점에서도 타당함을 보여준다. 또한, 기존 연구에서 주로 다루던 행렬 인수분해, 공동 정규화, 그래프 합산 등과는 달리, 서브스페이스 자체를 직접 병합한다는 점에서 차별성을 가진다. 실험에서는 합성 데이터, 소셜 네트워크(예: DBLP, Flickr), 이미지 데이터셋(CIFAR‑10 기반) 등 다양한 도메인에 대해 비교 실험을 수행하였다. 기준선으로는 단일 레이어 그래프, 레이어 가중합, 공동 정규화(co‑regularization), 행렬 인수분해 기반 다중 뷰 클러스터링 등을 사용하였다. 결과는 제안 방법이 특히 레이어 간 상관관계가 낮거나 일부 레이어에 노이즈가 포함된 경우에 강건한 군집 성능을 보이며, 전체 평균 정밀도·재현율·NMI 지표에서 경쟁 혹은 우수한 결과를 기록했다. 복잡도 분석에 따르면, 각 레이어당 라플라시안 고유값 분해가 O(n³) (실제는 희소 행렬을 이용해 더 효율적)이며, Grassmann 평균 계산은 O(Mk n) 수준이다. 따라서 레이어 수 M 이 적당히 제한된 실용적인 상황에서 충분히 적용 가능하다. 논문의 한계로는 레이어 가중치 α_i 를 사전에 지정해야 하는 점, 서브스페이스 차원 k 선택에 민감함, 그리고 고유벡터 계산 비용이 큰 그래프에 대해 여전히 부담이 될 수 있다는 점을 들 수 있다. 향후 연구에서는 가중치 자동 학습, 비선형 커널을 이용한 서브스페이스 확장, 그리고 대규모 그래프에 대한 근사 고유값 알고리즘 도입 등을 통해 이러한 제한을 극복하고자 한다. 결론적으로, 이 논문은 다중 레이어 그래프를 Grassmann 다양체 위의 서브스페이스로 모델링하고, 최적 대표 서브스페이스를 찾는 새로운 프레임워크를 제시함으로써, 그래프 기반 군집화 분야에 새로운 이론적·실용적 기여를 한다.