IsUMap: 위상 필터와 거리 변형을 결합한 차원 축소 혁신

초록

IsUMap은 UMAP과 Isomap의 아이디어를 Vietoris‑Rips 필터와 결합해, 지역적으로 왜곡된 거리 정보를 전역 메트릭으로 통합하고, 이를 MDS로 저차원에 임베딩하는 새로운 매니폴드 학습 방법이다. 복잡한 로컬 기하와 비균일 분포를 효과적으로 포착한다.

상세 분석

본 논문은 기존 차원 축소 기법이 갖는 두 가지 한계를 동시에 해결하려는 시도로 눈에 띈다. 첫째, UMAP은 로컬 확률적 그래프를 기반으로 전역 구조를 근사하지만, 거리 왜곡이 큰 데이터에서는 근접 이웃 간의 비대칭성을 제대로 반영하지 못한다. 둘째, Isomap은 그래프 상의 최단경로(geodesic)를 이용해 전역 메트릭을 추정하지만, 그래프 구축 단계에서 단순히 k‑NN 혹은 ε‑ball을 사용하므로 고차원 상호작용을 무시한다. IsUMap은 이러한 문제점을 보완하기 위해, 각 로컬 영역에 대해 별도의 거리 변형을 적용하고, 변형된 거리들로부터 Vietoris‑Rips 필터를 생성한다. 필터는 단순히 1‑차원 엣지만을 고려하는 것이 아니라, 고차원 심플렉스(삼각형, 사면체 등)를 포함함으로써 다중 관계를 포착한다.

핵심 기술은 두 단계로 나뉜다. (1) 가중 심플렉스 복합체 구축: 각 스케일 r에 대해 Vietoris‑Rips 복합체 V_R(X,r)를 만들고, 심플렉스에 가중치 W(σ)=min{r | σ∈V_R(X,r)}를 부여한다. 이는 “최소 스케일” 개념으로, 심플렉스가 처음 등장하는 반경을 메트릭적 의미로 해석한다. (2) 메트릭 실현: Spivak(2009)의 메트릭 실현 이론을 이용해, 가중 심플렉스 복합체를 실제 거리 공간(Y,d)으로 변환한다. 여기서 각 정점은 원래 데이터 포인트와 동일하고, 심플렉스의 가중치는 정점 간 거리의 상한으로 작용한다. 결과적으로 얻어진 전역 메트릭은 intrinsic(내재적)이며, 삼각 부등식과 대칭성을 만족한다.

이 전역 메트릭을 MDS(Multidimensional Scaling)로 임베딩함으로써, 저차원 유클리드 공간에 데이터의 전체 기하 구조를 보존한다. MDS 선택의 정당성은 Lim & Memoli(2022)의 결과를 인용해, intrinsic 메트릭이 주어졌을 때 MDS가 최적의 스트레스 최소화를 제공한다는 점을 강조한다.

논문은 또한 카테고리 이론적 관점에서 “uber metric spaces”(UM)와 Vietoris‑Rips 필터 사이의 동형 관계를 정리하고, 이를 통해 정의와 정리의 직관성을 높인다. 이러한 이론적 정리는 구현 단계에서 파라미터(예: Φ 함수)의 선택 기준을 명확히 제시한다.

실험 부분에서는 (i) 구, 토러스, 스위스롤 등 인공적인 매니폴드, (ii) MNIST, Fashion‑MNIST, 20‑Newsgroups 등 실제 데이터셋을 대상으로 정량적 지표(Trustworthiness, Continuity, MRRE)와 시각적 비교를 수행한다. 결과는 특히 비균일 샘플링이 심한 경우 UMAP·Isomap 대비 신뢰도와 연속성이 크게 향상됨을 보여준다.

하지만 몇 가지 한계도 존재한다. 첫째, Vietoris‑Rips 복합체의 구축 비용이 O(N^k) (k는 차원 제한)으로 급격히 증가해 대규모 데이터에선 메모리·시간 부담이 크다. 논문은 근사화(예: sparsified Rips, witness complexes) 가능성을 언급했지만 실제 구현 및 실험에서는 다루지 않았다. 둘째, Φ 함수와 가중치 스케일링 파라미터 선택이 결과에 민감함에도 불구하고 자동 튜닝 방법이 제시되지 않아 사용자가 경험적으로 조정해야 한다. 셋째, MDS 단계는 비선형 구조를 완전히 보존하지 못할 수 있으며, 특히 고차원 잡음이 섞인 경우 스트레스가 급증한다. 이러한 점은 향후 연구에서 t‑SNE·UMAP와 같은 비선형 임베딩과 결합하거나, 최적화 기반의 메트릭 학습으로 대체할 여지를 남긴다.

전반적으로 IsUMap은 “지역 거리 변형 → 고차원 심플렉스 → 전역 메트릭 → MDS”라는 파이프라인을 통해 기존 방법이 놓친 고차원 관계와 비균일 샘플링 문제를 체계적으로 해결한다는 점에서 이론적·실용적 기여가 크다.