다중 대표점으로 확장된 중심점 정리와 그 응용

초록

본 논문은 기존의 중심점 정리를 한 개가 아닌 여러 개의 대표점으로 일반화한다. 일반화된 터키 깊이(generalized Tukey depth)를 도입해, k 개의 점 Q 가 존재하도록 하며, Q 에 포함된 점의 개수에 따라 반공간이 포함해야 하는 최소 데이터 비율 α_j 를 보장한다. 특히 차원 d 와 k 에 대한 선형 부등식 (d‑1)α_k+α_i+α_j≤1 을 만족하면 |Q|=k 인 집합을 찾을 수 있음을 증명한다. 2차원에서는 세 점(삼각형)으로 α,β 조건을 만족하는 결과와, 두 점을 효율적으로 찾는 O(n log³ n) 알고리즘을 제시한다. 또한 약 ε‑net·ε‑approximation과의 관계를 논의한다.

상세 분석

이 논문은 고차원 데이터에서 하나의 중심점만으로는 데이터의 구조적 특성을 충분히 포착하기 어려운 점을 지적하고, 다중 대표점을 통한 새로운 깊이 개념을 제안한다. 기존 터키 깊이 td_P(q)=min_{h∋q}|h∩P| 는 한 점 q 에 대해 모든 반공간이 최소 n/(d+1) 개의 데이터를 포함하도록 보장한다. 저자들은 이를 집합 Q={p₁,…,p_k}에 대해 gtd_P(Q)=min_{h∩Q≠∅} |h∩P|/|h∩Q| 로 일반화한다. 이 정의는 “반공간이 Q 의 몇 점을 포함하느냐에 따라 포함해야 할 데이터 비율이 달라진다”는 직관을 수학적으로 구현한다.

핵심 정리는 다음과 같다. 질량 분포 μ (또는 점집합 P)와 비내림차순 실수열 α₁≤…≤α_k 가 주어지고, 모든 i,j 에 대해 i+j≤k+1 이면 (d‑1)α_k+α_i+α_j≤1 이라는 부등식이 성립한다면, k 개의 점 p₁,…,p_k 가 존재하여 |h∩Q|=j 인 모든 반공간 h 에 대해 μ(h)≥α_j (또는 |h∩P|≥α_j |P|)가 보장된다. 이 부등식은 차원 d 와 목표 깊이 α_j  사이의 트레이드오프를 명시한다. 예를 들어 d=2, k=2 인 경우 α₁=1/5, α₂=2/5 가 만족하고, 이는 “하나의 대표점을 포함하는 반공간은 전체의 최소 1/5, 두 대표점을 모두 포함하는 반공간은 최소 2/5”를 의미한다. 이러한 결과는 기존 중심점 정리(α₁=α₂=1/3)와 약 ε‑net(α₂≈1/2) 사이의 중간 지점을 제공한다.

2차원에서는 보다 강력한 특수 결과가 제시된다. α+β=2/3, 0<α≤β 인 경우, 세 점으로 이루어진 삼각형 Δ 가 존재하여, 삼각형의 각 정점을 포함하는 반공간은 최소 α 비율, 삼각형 전체를 포함하는 반공간은 최소 β 비율을 만족한다. 이는 1‑차원에서의 1/3‑quantile, 2/3‑quantile을 2‑차원에서 삼각형 형태로 확장한 것으로 해석할 수 있다. 또한, k=2인 경우 O(n log³ n) 시간에 두 점을 찾는 알고리즘을 제시한다. 알고리즘은 “많은 점을 포함하는 반공간들의 교집합”을 구하고, Helly 정리를 이용해 두 점을 각각 좌·우 반공간에 배치함으로써 조건을 만족한다.

논문은 약 ε‑net·ε‑approximation과의 관계도 상세히 논한다. 제시된 Q 는 약 ε‑net(특히 ε=1‑α₂) 역할을 하면서도, α₁ 에 따라 더 강한 깊이 보장을 제공한다. 반면, 약 ε‑approximation과는 차이가 있는데, 반공간이 Q 를 전혀 포함하지 않아도 데이터의 절반을 포함할 수 있기 때문이다. 따라서 이 개념은 기존 약 ε‑net·ε‑approximation 사이의 새로운 중간 계층을 형성한다. 마지막으로, 일방향 ε‑approximation(One‑sided ε‑approximant)과의 연관성도 언급하며, 현재 알려진 최적 비율 1/2 를 넘지 못한다는 한계도 제시한다.

전체적으로 이 연구는 “대표점 집합”이라는 새로운 시각을 도입해 고차원 데이터 요약에 대한 이론적 기반을 확장하고, 실제 알고리즘까지 제공함으로써 데이터 과학·통계·기하학 분야에 실용적·이론적 기여를 한다.