Jaccard 거리 삼각 부등식에 대한 새로운 증명

이 논문은 Jaccard 거리의 삼각 부등식에 대한 두 가지 새로운 증명을 제시한다. 먼저 Jaccard 지수 J(A,B)=|A∩B|/|A∪B|와 거리 Jδ(A,B)=1−J(A,B)=|A△B|/|A∪B|를 복습하고, 기존에 여러 방법(메트릭 변환, 임베딩, min‑wise 해시 등)으로 증명된 사실을 언급한다. 이후 일반적인 집합 함수 f:𝒫(X)→ℝ를 도입한다. f가 비음수, 단조, 서브모듈러이면 서브모듈러 Jaccard 거리 두 형태를 정의한다. 첫 번째는 Jδ,f(A,B)=1−f(A∩B)/f(A∪B)이며, 두 번째는 JΔδ,f(A,B)=(f(A△B)−f(∅))/f(A∪B)이다. f가 모듈러이면 두 정의가 일치하고, f(A)=|A|이면 전통적인 Jaccard 거리와 동일해진다. Lemma 1에서는 세 집합 A, B, C에 대해 f(A∩C)·f(B∪C)+f(A∪C)·f(B∩C) ≤ f(C)·(f(A)+f(B)) 를 증명한다. 증명은 서브모듈러성(조건 1)과 단조성을 차례로 적용해 곱셈 형태를 합 형태로 바꾸는 과정이다. 이로부터 Corollary 2가 도출되는데, 이는 f(S∩T)·f(S∪T) ≤ f(S)·f(T) 라는 부등식이다. 이 두 결과는 Theorem 3의 증명에 핵심적으로 사용된다. Theorem 3은 f가 모듈러일 때 Jδ,f가 삼각 부등식 Jδ,f(A,B) ≤ Jδ,f(A,C)+Jδ,f(C,B) 를 만족함을 보인다. 증명은 먼저 null set(즉, f(A)=0인 경우)을 제외하고, 등식 (2)를 변형한다. Lemma 1과 Corollary 2를 차례로 적용해 f(A∩C)·f(A∪C)+f(B∩C)·f(B∪C) ≤ f(C)·(f(A)+f(B)) 를 얻고, 이를 다시 단조성을 이용해 최종 부등식으로 정리한다. 여기서 중요한 점은 모듈러 함수에만 이 증명이 성립한다는 점이다; 서브모듈러 함수에 대해선 반례가 존재한다. Theorem 4는 서브모듈러 함수에 대해 JΔδ,f가 삼각 부등식을 만족함을 증명한다. C를 A∪B와 겹치지 않는 두 부분 C₀⊆A∪B와 C₁⊆A∪B로 분해하고, 서브모듈러성 및 단조성을 이용해 일련의 부등식 전개를 수행한다. 최종적으로 JΔδ,f(A,B) ≤ JΔδ,f(A,C)+JΔδ,f(C,B) 를 얻는다. 이 증명은 JΔδ,f가 서브모듈러 함수 전반에 대해 메트릭(또는 의사메트릭) 성질을 갖는다는 중요한 결론을 제공한다. 논문은 또한 여러 응용을 논의한다. 일반적인 Jaccard 거리 외에도, 벡터 형태의 일반화된 Jaccard 거리, Steinhaus 거리, 그리고 다중집합에 대한 거리 등이 모두 위의 두 정리의 특수 경우임을 언급한다. 특히, f가 선형 비용 함수(예: f(A)=min{B,∑_{i∈A}c_i})이거나 이분 그래프의 이웃 크기( f(A)=|Γ(A)| )인 경우에도 JΔδ,f는 삼각 부등식을 만족한다. 마지막으로, 서브모듈러 함수가 정의된 부분 격자에 대해 전체 격자로 확장할 수 있음을 언급하며, 이를 통해 실제 데이터 마이닝 및 그래프 이론에서 서브모듈러 Jaccard 거리의 활용 가능성을 제시한다. 전체적으로 논문은 Jaccard 거리의 삼각 부등식에 대한 보다 일반적이고 직관적인 증명을 제공함으로써, 서브모듈러 최적화와 거리 기반 학습 분야에 새로운 이론적 토대를 마련한다.