스와크 크기 조절 입자군 최적화 알고리즘을 이용한 특징 선택

초록

본 논문은 표준 입자군 최적화(PSO)에서 입자 수를 데이터에 따라 실시간으로 조정하는 튜너블 스와크 크기 기법을 제안한다. 래퍼 방식으로 교차 검증된 교대 결정 트리(ADT)를 평가자로 사용하고, 분류 정확도와 수정된 F‑Score를 결합한 새로운 적합도 함수를 도입한다. 제안된 TPSO는 실험 및 Wilcoxon 검정을 통해 기존 PSO 기반 방법보다 적은 특징으로 높은 분류 정확도를 달성함을 보인다.

상세 분석

본 연구는 고차원 데이터에서 특징 선택을 수행할 때 입자군 최적화(PSO)의 핵심 파라미터인 스와크 크기의 민감성을 지적한다. 기존 PSO는 고정된 입자 수를 사용하므로, 입자 수가 너무 적으면 지역 최적에 머무르고, 과다하면 연산 비용이 급증한다. 이를 해결하기 위해 저자는 데이터셋의 특성에 따라 입자 수를 동적으로 조정하는 “튜너블 파티클 스와크 사이즈 최적화 알고리즘(TPSO)”을 설계하였다. TPSO는 래퍼 방식으로, 각 반복에서 표준 PSO를 이용해 후보 특징 집합을 탐색하고, 교대 결정 트리(ADT)를 통해 해당 집합의 분류 정확도를 측정한다.

특징의 구별력을 평가하기 위해 저자는 기존 평균 기반 점수 대신 중앙값(median)을 활용한 수정된 F‑Score를 정의한다. 구체적으로, 양·음 클래스 각각의 중앙값 차이와 전체 분산을 이용해 V₁·V₂를 계산하고, F(i)=V₁/V₂ 형태의 점수를 얻는다. 이 점수는 전체 특징 집합의 합(M₂)과 선택된 부분 집합의 합(M₁)으로 정규화되어 적합도 함수 V=0.5·A+0.5·(M₁/M₂) 에 반영된다. 여기서 A는 ADT 기반 정확도이며, 두 항을 동일 가중치로 결합함으로써 정확도와 특징 압축 사이의 균형을 유지한다.

입자 수 증가는 “첫 번째·두 번째 미분” 조건을 만족하는 지역 최대점까지 진행된다. 즉, 입자 수 y와 특징 점수 x의 관계에서 dy/dx가 감소하고, 2차 미분이 음수인 지점을 찾아 스와크 크기를 최적화한다. 알고리즘 흐름은 (1) 초기 입자 수 N=5, (2) PSO‑ADT 루프를 통해 특징 집합 추출, (3) 새로운 특징 점수 계산 및 적합도 평가, (4) N을 1씩 증가시키며 조건 만족 시 종료한다.

실험에서는 10‑fold 교차 검증과 Wilcoxon 부호 검정을 사용해 TPSO가 기존 PSO‑ADT, GA‑ADT 등과 비교해 평균 정확도와 선택된 특징 수 모두에서 유의미하게 우수함을 입증한다. 특히, 고차원 하이퍼스펙트럼 데이터와 유전·텍스트 데이터셋에서 과적합을 방지하면서도 분류 성능을 향상시킨 점이 주목할 만하다. 그러나 입자 수 탐색 과정에서 추가 연산이 발생하므로, 매우 큰 데이터셋에 대한 스케일링 및 실시간 적용 가능성에 대한 추가 연구가 필요하다.