자동인코더와 분류기의 결합: 개념적 데이터 시각화

본 논문은 고차원 데이터의 구조와 라벨이라는 두 가지 컨텍스트를 동시에 시각화할 수 있는 새로운 신경망 모델인 Soft‑Supervised Topological Auto‑Encoder (STA)를 제안한다. 기존 차원 축소 기법들은 주로 비지도 방식(예: t‑SNE, UMAP, SOM)이나 지도 방식(예: NCA, 라벨‑기반 Iso‑Map) 중 하나에만 초점을 맞추어, 데이터의 내재적 구조와 라벨 정보를 동시에 반영하기 어렵다는 문제점을 가지고 있었다. STA는 이러한 한계를 극복하고자, 제한된 방사형 기저 함수 네트워크(r‑RBF)를 기반으로 하여 숨김층을 2차원 격자 형태로 배열하고, SOM에서 차용한 이웃 함수 H_j를 통해 토폴로지 보존을 강제한다. STA의 구조는 입력층 → 숨김층(2‑D 토폴로지) → 출력층(디코더 + 분류기) 로 구성된다. 출력층은 두 파트로 나뉘어, 디코더 파트는 입력을 재구성하고, 분류기 파트는 라벨을 예측한다. 학습 과정에서 혼합 파라미터 κ∈