Deterministic Feature Selection for $k$-means Clustering

초록

본 논문은 k‑means 클러스터링을 위한 특징 선택 문제에서, 기존의 확률적 방법이 갖는 실패 확률을 없애고, O(k)개의 특징만으로도 원 데이터와 비교해 일정 수준 이하의 클러스터링 품질을 보장하는 결정론적 알고리즘을 제시한다. 핵심은 행렬 항등 분해의 결정론적 구성과, 차원 축소 시 행렬 노름 보존을 정량화한 구조적 보조정리이다. 감독형·비감독형 두 경우에 대해 각각 정밀한 근사 비율을 제공한다.

상세 분석

이 논문은 고차원 데이터에 대해 k‑means 클러스터링을 수행할 때, 불필요하거나 잡음이 섞인 특징을 제거함으로써 연산량을 감소시키고 과적합을 방지하고자 하는 특징 선택(feature selection) 문제에 초점을 맞춘다. 기존 연구들