등각 사상을 통한 자유로운 차원 변환: 축소와 증가

초록

본 논문은 데이터의 내재적 차원 존재 여부와 무관하게 적용 가능한 두 가지 저복잡도 알고리즘을 제안한다. 등각 동형사상(conformal homeomorphism)의 연쇄 구성을 통해, 원본 데이터 포인트 간의 모든 각도를 보존한 채 목표 차원(더 낮거나 더 높은)의 유클리드 공간으로 데이터셋을 변환한다. 이는 데이터의 국소적 형태를 보존하지만, 중심점에서 멀어질수록 전체적인 크기와 모양은 왜곡된다.

상세 분석

이 논문의 핵심 기여는 ‘내재적 차원’(intrinsic dimension)에 대한 사전 가정 없이도, 순수한 기하학적 변환을 통해 데이터의 각도 정보를 완벽히 보존하는 차원 변환 방법을 제시한 점에 있다. 기존의 PCA, t-SNE, UMAP 등 대부분의 매니폴드 학습 기법은 데이터가 저차원 매니폴드에 근사적으로 놓여 있다는 가정을 전제로 한다. 반면, 본 논문의 방법은 데이터가 고차원 공간에 흩어져 있거나, 연결 성분이 여러 개인 비다양체(non-manifold) 구조를 가지더라도 적용 가능하다.

기술적 핵심은 ‘일반화된 스테레오그래픽 투영’(Generalized Stereographic Projection)을 기본 구성 요소로 활용한 점이다. 이 투영은 D차원 구에서 D차원 평면으로의 전단사(bijective) 연속 변환이며, 가장 중요한 특성은 등각성(conformality), 즉 곡선들의 교각을 보존한다는 것이다. 저자는 이 투영과 그 역변환을 연쇄적으로 적용함으로써, 원본 공간(R^{D+1})과 목표 공간(R^{𝔇+1}) 사이의 다리를 구성한다. 이 과정에서 데이터는 고차원 구와 저차원 평면을 오가며, 최종적으로는 각도 정보가 보존된 채 목표 차원의 평면에 매핑된다.

각도 보존의 실용적 의미는 데이터 포인트들 간의 ‘상대적 방향성’이 유지된다는 것이다. 예를 들어, 세 점이 이루는 삼각형의 모양은 국소적으로 유사성을 유지한다. 이는 거리 기반 유사도 측정이 중요한 클러스터링이나 분류 문제에서 유용할 수 있다. 그러나 논문에서도 명시하듯, 이 변환은 등거리(isometric) 또는 등적(equiareal)이 아니므로, 전역적 거리와 면적은 왜곡된다. 특히 변환의 중심점에서 멀어질수록 왜곡이 심해지며, 이는 스테레오그래픽 투영의 고유한 특성에서 기인한다.

이 방법의 실용적 장점은 알고리즘 복잡도가 낮고 결정적(deterministic)이라는 점이다. 확률적 과정이나 반복 최적화가 필요 없으며, 공식에 따른 직접 계산으로 결과를 얻을 수 있다. 단점은 차원 변환의 목적이 ‘의미 있는 저차원 표현 추출’이 아니라 ‘순수한 기하학적 변환’에 가깝기 때문에, 머신러닝에서 일반적으로 기대하는 특징 추출(feature extraction)이나 잡음 제거 효과는 기대하기 어렵다는 점이다. 이 방법은 데이터의 기하학적 구조를 다른 차원에서 관찰하기 위한 수학적 도구로서의 의미가 더 크다.