약한 강한 오라클 모델에서 공정 클러스터링 상대 오차 최소화

초록

이 논문은 정확하지만 비용이 높은 강한 오라클과 저렴하지만 불완전한 약한 오라클을 혼합해 거리 정보를 얻는 약한‑강한 오라클 모델에서, 강한 오라클 호출을 최소화하면서 (1+ε) 근사 보장을 갖는 공정 k‑median 코어셋을 구축한다. 또한 동일한 방법으로 일반 (k,z)‑클러스터링에 대한 코어셋을 제공한다.

상세 분석

본 연구는 최근 데이터 과학에서 비용 효율적인 거리 측정과 공정성 보장이 동시에 요구되는 상황을 모델링한다. 약한‑강한 오라클 모델은 두 종류의 질의자를 정의한다. 약한 오라클은 각 쿼리마다 2/3 확률로 정확한 거리를 반환하고, 1/3 확률로 임의의 값을 반환한다(단일 무작위성). 강한 오라클은 쿼리당 정확한 거리를 반드시 제공한다. 이 모델에서 목표는 강한 오라클에 대한 질의 수를 최소화하면서, 입력 집합 X에 대해 (α,β)‑공정성을 만족하는 k‑median 클러스터링을 (1+ε) 근사로 해결하는 것이다.

핵심 기여는 세 가지이다. 첫째, 공정 k‑median에 대해 (k,ε)‑코어셋을 O(Λ·k²/ε²) 크기로 구축하고, 강한 오라클에 대한 질의는 O(Λ·k·log n/ε) 수준으로 제한한다. 여기서 Λ는 각 데이터 포인트가 속할 수 있는 서로 겹치지 않는 그룹의 최대 개수이다. 둘째, 그룹이 서로 겹치지 않을 경우(Λ=1) 코어셋 크기를 O(k²·log⁴ n·log(n/ε)/ε²) 로 더욱 축소하고, 강한 오라클 질의는 O(k·log⁴ n) 로 최적에 가깝게 만든다. 셋째, 공정성을 고려하지 않는 일반 (k,z)‑클러스터링(z=O(1))에 대해서도 (1+ε)‑코어셋을 O(k²/ε³) 크기로 제공한다.

기술적 핵심은 기존의 링 샘플링 기법을 약한‑강한 오라클 환경에 맞게 변형한 것이다. 전통적인 링 샘플링은 각 중심에 대해 거리 구간(링)을 정의하고, 각 링에서 O(k/ε²)개의 점을 샘플링해 코어셋을 만든다. 그러나 약한 오라클이 부정확하므로 직접적인 링 구분이 불가능하고, 모든 점에 강한 오라클을 호출하면 질의 비용이 폭증한다. 이를 해결하기 위해 저자들은 무게가 큰 링(heavy ring)과 가벼운 링(light ring)을 구분한다. 무작위 샘플링으로 O(k·poly(log n)/ε)개의 점을 선택하고, 이들에 대해 강한 오라클을 호출해 정확한 거리 정보를 얻는다. 샘플링된 점이 충분히 많이 포함된 링을 heavy ring이라 정의하고, 이 링 외부의 light ring은 비용 기여가 무시해도 될 정도로 작다고 증명한다. 이후 heavy ring 내부와 그 안에 포함된 light ring을 한 번에 “peel off” 하는 절차를 적용해 점들을 단계적으로 제거한다. 이 과정을 O(log n)번 반복하면 전체 집합에 대한 코어셋을 얻으며, 강한 오라클 호출 횟수는 각 반복마다 O(k·poly(log n)/ε) 로 제한된다.

공정 코어셋을 위한 추가 단계에서는 할당 보존(assignment‑preserving) 특성을 유지하도록 샘플링 비율을 조정한다. 기존 공정 클러스터링 연구에서 사용된 라그랑주 승수 기반의 할당 제약을 코어셋에 그대로 반영하기 위해, 각 그룹별로 최소·최대 비율(α_j,β_j)을 만족하도록 가중치를 재조정한다. 이를 통해 코어셋 위에서 수행되는 어떤 (1+ε)‑근사 알고리즘도 원본 데이터에 대한 공정성을 보장한다는 점이 핵심이다.

실험에서는 Adult 데이터와 신용카드 기본 데이터셋을 사용해 약한 오라클을 고장 상황에 따라 매우 작은 거리값을 반환하도록 설계하였다. 제안 알고리즘은 무작위 균등 샘플링 기반 베이스라인에 비해 강한 오라클 호출 수는 비슷하면서도 코어셋 품질(클러스터링 비용)과 공정성 지표에서 현저히 우수한 결과를 보였다.

이 논문의 한계는 (1+ε)‑근사 클러스터링 자체가 NP‑hard이므로 실제 실행 시간은 여전히 지수적일 수 있다는 점이다. 저자들은 코어셋을 만든 뒤 기존의 (1+ε)‑근사 알고리즘이나 실용적인 휴리스틱을 적용하도록 제안하고 있다. 또한, (k,z)‑클러스터링에 대한 강한 오라클 질의 복잡도가 공정 k‑median보다 약간 높으며, Λ가 큰 경우 코어셋 크기가 Λ·k²에 비례해 증가한다는 점도 향후 연구 과제로 남는다.