효율적인 위상 레이어 PLLay 지속성 풍경 기반

본 논문은 딥러닝 모델에 직접 삽입할 수 있는 새로운 위상학적 레이어인 PLLay(Persistence Landscape-based Topological Layer)를 제안한다. 기존의 위상학적 특성 활용 방법은 주로 사전 정의된 피처를 추출하거나, 특정 필터레이션에 종속되는 경우가 많아 레이어의 위치와 적용 범위가 제한적이었다. PLLay는 이러한 한계를 넘어, 입력 데이터에 대한 임의의 필터레이션—특히 거리‑측정(DTM) 함수 기반 필터링—에 대해 미분 가능성을 보장하고, 위상학적 정보를 벡터 형태로 효율적으로 인코딩한다. 논문은 먼저 위상학적 데이터 분석(TDA)의 기본 개념을 정리한다. simplicial complex, filtration, persistent homology, 그리고 persistence diagram을 소개하고, 이들을 함수형 요약인 persistence landscape로 변환하는 과정을 설명한다. persistence landscape는 각 birth‑death 쌍(p)마다 삼각형 형태의 함수 Λ_p(t)를 정의하고, 같은 t에서 k번째로 큰 값을 λ_k(t)로 정리해 순서가 있는 함수열을 만든다. 이러한 함수열은 L^2 공간에 속하므로, 표준적인 기계학습 기법에 바로 적용할 수 있다. PLLay의 핵심 설계는 다음과 같다. 1) 입력 X에 대해 적절한 필터링 함수 f를 정의한다. 여기서는 Vietoris‑Rips 필터링과 DTM 기반 필터링을 주요 후보로 제시한다. DTM은 데이터의 밀도와 거리 정보를 동시에 반영해 노이즈와 이상치에 강인한 특성을 제공한다. 2) 필터링을 통해 얻은 simplicial complex의 persistent homology를 계산하고, persistence diagram D_X를 만든다. 3) D_X에서 각 차원(k)별 persistence landscape λ_k(t)를 구한 뒤, 가중 평균 λ_ω(t)=∑_{k=1}^{K_max} ω_k λ_k(t) (ω_k>0, ∑ω_k=1)를 계산한다. ω는 학습 가능한 파라미터이며, 낮은 차원의 풍경이 일반적으로 더 중요한 정보를 담고 있음을 반영한다. 4) 고정된 구간