박스 카운팅 알고리즘 정확도와 오차 추정법

초록

**
본 논문은 박스‑카운팅 기법으로 계산한 프랙탈 차원의 실제 오차를 정량화한다. 1차원·2차원 프랙탈 집합과 Weierstrass‑Mandelbrot 함수에 대해 데이터 포인트 수 (n_{\text{tot}}) 와 오차 사이의 역거듭제곱 관계 (\text{error}\sim n_{\text{tot}}^{-\alpha}) 를 실험적으로 도출하였다. 표준 회귀 오차가 실제 오차를 크게 과소평가함을 보여주며, 차원별 (\alpha) 값(1차원≈0.5, 2차원≈0.3‑0.2, 함수형≈0.12‑0.14)을 제시한다. 이를 통해 필요한 데이터 양을 예측하고, 기존의 오차 추정법을 보완할 수 있다.

**

상세 분석

**
논문은 박스‑카운팅 방법이 프랙탈 차원(또는 일반화 차원) 추정에 널리 쓰이지만, 실제 계산 오차에 대한 체계적인 검증이 부족하다는 점을 지적한다. 이를 보완하기 위해 저자는 여섯 개의 수학적 프랙탈 집합을 선택하였다. 1차원에서는 전통적인 Cantor 집합과 비대칭 Cantor 집합(다중프랙탈)을, 2차원에서는 Sierpinski 삼각형과 Koch 곡선을, 그리고 2차원에 매핑된 함수형 프랙탈로 Weierstrass‑Mandelbrot(WM) 함수를 각각 차원 (D=1.5)와 (1.8)에 대해 분석하였다.

각 집합에 대해 데이터 포인트 수 (n_{\text{tot}}) 를 (10^{2})부터 (10^{5})까지 변화시키면서 박스‑카운팅을 수행하고, 로그‑로그 플롯에서 선형 회귀를 통해 차원을 추정하였다. 여기서 얻은 회귀의 표준 오차는 일반적으로 “추정 정확도”로 인용되지만, 실제 차원값과의 절대 차이(실제 오차)를 별도로 계산하였다. 결과는 두 오차가 크게 차이 나는 것을 보여준다. 특히 1차원 Cantor 집합에서는 실제 오차가 (n_{\text{tot}}^{-0.5})에 비례함을 확인했으며, 이는 표준 오차가 보통 1 % 수준일 때 실제 오차는 10 %에 달할 수 있음을 의미한다.

2차원 프랙탈에서는 오차 감소 속도가 더 완만하였다. Sierpinski 삼각형은 (\alpha\approx0.31), Koch 곡선은 (\alpha\approx0.18)로, 실질적인 오차는 (n_{\text{tot}}^{-1/4}) 정도에 해당한다. 이는 1차원 경우와 비교해 동일한 정확도를 얻기 위해서는 데이터 포인트 수를 제곱(예: (10^{4}) → (10^{8}))으로 늘려야 함을 시사한다.

함수형 프랙탈인 WM 함수에서는 오차 감소가 더욱 느렸다. 차원 (D=1.5)와 (1.8)에 대해 각각 (\alpha\approx0.14)와 (\alpha\approx0.12)를 얻었으며, 이는 (n_{\text{tot}}^{-1/8}) 수준에 해당한다. 따라서 함수형 프랙탈의 경우, 1차원 Cantor 집합에서 100 포인트로 얻는 정확도와 동등하게 만들려면 약 (10^{8}) 포인트가 필요한다.

저자는 이러한 경험적 관계식을 식 (2) (\text{error}\approx C,n_{\text{tot}}^{-\alpha}) 형태로 제시하고, 표 1에 각 경우별 예상 오차를 정리하였다. 또한, 외부 잡음이 존재할 경우 오차는 더욱 커질 것이며, 현재 연구는 완전한 수학적 프랙탈에 한정된다는 점을 명시한다.

이 연구는 박스‑카운팅을 이용한 프랙탈 차원 추정 시, 단순히 회귀의 표준 오차에 의존하는 것이 위험함을 경고하고, 데이터 양에 대한 실질적인 가이드라인을 제공한다. 특히 대규모 시뮬레이션이나 실험 데이터에서 프랙탈 분석을 수행할 때, 필요한 최소 샘플 크기를 사전에 계산함으로써 과소 추정된 정확도에 기반한 잘못된 물리적 해석을 방지할 수 있다.

**