ε‑넷 기반 레이지 위트니스 복합체의 이론과 실험적 검증

본 연구는 고차원·대규모 점군에 대해 위상 데이터 분석(TDA)을 수행할 때 발생하는 계산적 병목을 완화하고, 위상적 근사의 품질을 정량적으로 보장하는 새로운 프레임워크를 제시한다. 기존 TDA에서는 정확한 Čech 복합체를 직접 구성하기가 불가능하므로, 가장 널리 쓰이는 근사인 Vietoris‑Rips 복합체를 사용한다. 그러나 Rips 복합체는 점의 수가 늘어날수록 복합체의 차원과 단순체 수가 지수적으로 증가해 실용적인 제한이 있다. 이를 해결하기 위해 레이지 위트니스 복합체(Lazy Witness Complex, 이하 LW)가 제안되었으며, LW는 전체 데이터 대신 랜드마크 집합 L에만 의존한다. 따라서 L의 선택이 LW의 위상적 정확도와 계산 비용을 동시에 좌우한다. 저자들은 분석학에서 사용되는 ε‑커버 개념을 차용해 ε‑넷(ε‑샘플이면서 ε‑희소인 집합)이라는 정의를 도입한다. ε‑넷 L은 (1) 모든 원본 점 p∈P가 반경 ε 이내의 랜드마크 q∈L에 의해 커버되고, (2) 서로 다른 랜드마크 간 거리가 ε보다 크다는 두 조건을 만족한다. 이러한 정의는 두 가지 핵심 정리를 가능하게 한다. 첫 번째 정리(Theorem 1)는 L이 P와의 Hausdorff 거리가 최대 ε임을 보이며, 이는 L이 P를 ε‑정밀도로 대표한다는 의미다. 두 번째 정리(Theorem 2)는 L을 랜드마크로 사용한 LWα(P, L, ν=1) 복합체가 동일 랜드마크에 대한 Vietoris‑Rips 복합체 Rα(L)의 3‑근사임을 증명한다. 구체적으로 α≥2ε일 때 Rα/3(L) ⊆ LWα(P, L, 1) ⊆ R3α(L)이라는 포함 관계가 성립한다. 이 결과는 ε‑넷이 어떤 알고리즘으로 구축되든, 그 위에 정의된 LW가 원본 데이터의 위상 정보를 일정 배수(3배) 이내로 보존한다는 강력한 보장을 제공한다. 알고리즘적 기여는 ε‑넷을 효율적으로 구성하는 세 가지 방법이다. 첫 번째는 전통적인 그리디 커버 방식으로, 현재 커버되지 않은 점 중 가장 멀리 떨어진 점을 선택해 ε‑희소성을 유지한다. 두 번째는 데이터 밀도에 따라 ε를 가변적으로 조정하는 히스토그램 기반 샘플링으로, 고밀도 영역에서는 작은 ε, 저밀도 영역에서는 큰 ε를 적용해 랜드마크 수를 최적화한다. 세 번째는 이중 스케일링 기법으로, 초기에는 큰 ε로 거친 커버를 만든 뒤, 필요에 따라 ε를 점진적으로 감소시켜 추가 랜드마크를 삽입한다. 이들 방법은 기존 무작위 선택(Random)과 MaxMin(최대 최소 거리) 알고리즘과 비교했을 때, 이론적 상한 |L| ≤ (Δ/ε)^{θ(D)}에 더 가깝게 랜드마크 수를 제어한다는 점에서 차별화된다. 실험은 두 단계로 진행되었다. 첫 번째 단계에서는 합성 데이터셋(다양한 차원, 클러스터 수, 노이즈 비율)을 이용해 위상적 근사 품질을 평가했다. 지속성 다이어그램 간 Bottleneck 거리와 Wasserstein 거리를 측정한 결과, 제안 알고리즘이 MaxMin 대비 평균 5‑10% 낮은 거리 값을 보였으며, 신뢰구간도 더 좁았다. 두 번째 단계에서는 실제 데이터(이미지 데이터셋, 소셜 네트워크 그래프, 단백질 구조 데이터)를 대상으로 효율성과 안정성을 검증했다. 랜드마크 수가 감소함에 따라 LW 복합체 구축 시간은 선형적으로 감소했으며, 특히 히스토그램 기반 방법이 가장 빠른 실행 시간을 기록했다. 안정성 측면에서는 동일 데이터에 대해 여러 번 실행했을 때 랜드마크 집합의 변동성이 가장 낮았으며, 이는 ε‑넷이 데이터의 기하학적 구조를 견고하게 포착한다는 것을 의미한다. 결론적으로, 본 논문은 ε‑넷이라는 수학적 구조를 TDA의 실용적 문제에 연결시켜, (1) Hausdorff 거리에서 ε‑근사 보장, (2) LW와 Rips 복합체 사이의 3‑근사 관계, (3) 랜드마크 수에 대한 이론적 상한, (4) 효율·안정성을 겸비한 알고리즘 구현이라는 네 가지 핵심 기여를 제공한다. 이러한 결과는 대규모·고차원 데이터에 대한 위상 분석 파이프라인을 설계할 때, 랜드마크 선택 단계에서 발생하는 불확실성을 크게 감소시킬 수 있음을 시사한다. 향후 연구에서는 ε‑넷 기반 LW를 다른 근사 복합체(예: Sparse‑Rips, Graph‑Induced Complex)와 결합하거나, 비유클리드 거리 공간으로 확장하는 방향이 기대된다.