다양체 위 함수 근사: 이동 최소제곱(Moving Least‑Squares) 기반 고차원 접근법

초록

**
본 논문은 고차원 공간에 내재된 저차원 다양체 위에서 정의된 함수를, 잡음이 섞인 샘플만을 이용해 근사하는 알고리즘을 제안한다. Manifold‑MLS 기법으로 자동으로 차원 d의 로컬 차트(아틀라스)를 구축하고, 각 차트에서 다항식 MLS를 적용해 매끄러운 근사함수를 얻는다. 청정 샘플일 경우 근사 오차는 O(h^{m+1})이며, 복잡도는 주변 차원 n에 대해 선형이다.

**

상세 분석

**
이 연구는 두 가지 핵심 아이디어를 결합한다. 첫째, Sober와 Levin(2016)이 제시한 Manifold‑MLS 프레임워크를 활용해, 주어진 잡음이 포함된 점군으로부터 자동으로 d‑차원의 로컬 아핀 서브스페이스 H(r)와 그 원점 q(r)를 추정한다. 이 과정은 가중치 θ(‖r_i−q‖)에 의해 정의된 비용함수 J(r;q,H)를 최소화함으로써 수행되며, 제약조건 r−q ⟂ H와 q∈B_μ(r) 등을 통해 실제 다양체에 대한 근접 투영을 보장한다. 두 번째 아이디어는 이렇게 얻어진 차트 위에서 전통적인 이동 최소제곱(Moving Least‑Squares, MLS) 방식을 적용해 함수 f: M→ℝ를 근사한다는 점이다. 여기서 사용되는 다항식 차수 m은 사용자가 지정할 수 있으며, 가중치 함수 θ는 일반적으로 가우시안 혹은 유한 지원 함수가 선택된다.

이론적 분석에서는 두 가지 정리를 제시한다. 정리 3.1은 구성된 근사함수가 정의역 근처의 임의의 점에 대해 C^∞(무한히 매끄러운) 함수를 제공함을 증명한다. 이는 MLS와 Manifold‑MLS 단계 모두가 매끄러운 매핑을 생성한다는 사실에 기반한다. 정리 3.2는 청정 샘플(노이즈가 없는 경우)에서 근사오차가 ‖f̂−f‖_∞ ≤ M·h^{m+1} 형태로 수렴함을 보인다. 여기서 h는 샘플 집합의 fill distance(채움 거리)이며, ρ와 δ는 샘플 밀도와 최소 간격을 나타내는 상수다. 즉, 로컬 다항식 차수가 높을수록 고차 정확도를 얻을 수 있다.

알고리즘 복잡도 분석에서는 전체 연산량이 O(N·n) (여기서 N은 샘플 수, n은 주변 차원)임을 보이며, 이는 기존 고차원 회귀 방법이 겪는 차원 저주(curse of dimensionality)를 회피한다. 특히 차원 축소(예: LLE, Isomap)나 커널 기반 방법과 달리, 데이터의 기하학적 왜곡을 일으키지 않고 직접적인 out‑of‑sample 확장이 가능하다.

실험 부분에서는 합성 데이터와 실제 이미지/점군 데이터에 대해 제안 방법을 적용하고, 기존 통계적 회귀(예: 로컬 PCA 기반 회귀, Tikhonov 정규화)와 비교한다. 결과는 근사 정확도와 실행 시간 모두에서 경쟁력을 보이며, 특히 잡음이 존재하는 경우에도 안정적인 성능을 유지한다는 점을 강조한다.

**