MAPLE 셀프 슈퍼바이즈드 학습으로 강화된 비선형 차원 축소

초록

MAPLE은 기존 UMAP의 그래프 구축 단계에서 발생하는 거리 왜곡과 밀도 불균형 문제를 셀프‑슈퍼바이즈드 학습(MVSSL)과 최대 매니폴드 용량 표현(MMCR)으로 보정한다. 학습된 임베딩 공간에서 재구성된 k‑NN 그래프를 UMAP의 교차 엔트로피 최적화에 투입해, 고차원 데이터의 복잡한 곡률과 큰 군내 변동성을 보다 명확히 시각화한다.

상세 분석

본 논문은 비선형 차원 축소 방법론 중 그래프 기반 접근법의 핵심 한계인 “그래프 구축 단계의 불완전성”을 정확히 짚어낸다. 전통적인 UMAP은 원본 고차원 공간에서 유클리드 거리 기반 k‑NN 그래프를 만들고, 이를 퍼지 그래프로 변환한 뒤 저차원 레이아웃을 최적화한다. 그러나 차원 저주와 곡률 효과로 인해 거리 측정이 노이즈에 민감해지고, 실제 매니폴드 상의 근접점이 그래프 상에서는 멀리 떨어진 것으로 오인되는 경우가 빈번하다. MAPLE은 이러한 문제를 두 단계의 혁신으로 해결한다. 첫째, 다중‑뷰 셀프‑슈퍼바이즈드 러닝(MVSSL) 프레임워크를 도입해 인코더‑프로젝터 네트워크를 학습한다. 여기서 입력 데이터는 여러 변형(예: 마스킹, 회전 등)으로부터 두 개 이상의 뷰를 생성하고, 네트워크는 뷰 간 일관성을 유지하도록 훈련된다. 둘째, 학습 목표로 최대 매니폴드 용량 표현(MMCR)을 사용한다. MMCR은 지역적 유사점들의 분산을 최소화하고, 비유사점들의 분산을 최대화함으로써 매니폴드의 “용량”을 최적화한다. 구체적으로는 데이터 행렬의 핵노름(특이값 합)을 손실 함수에 포함시켜, 로컬 매니폴드의 랭크를 낮추고 클러스터 중심 간 거리를 확대한다. 이 과정을 거친 후, 네트워크가 출력한 임베딩 공간에서 k‑NN 그래프를 재구성하고, 기존 UMAP과 동일한 퍼지 그래프 변환 및 교차 엔트로피 최적화를 수행한다. 결과적으로, 그래프의 가중치가 실제 매니폴드 구조를 더 정확히 반영하게 되며, 레이아웃 단계에서의 인위적 인력·반발력 조정이 크게 감소한다. 실험에서는 단일 세포 전사체 데이터와 이미지 분류 데이터 등 고차원·고밀도·곡률이 큰 데이터셋에서, UMAP 대비 클러스터 경계가 더 뚜렷하고 서브클러스터가 세밀하게 분리되는 것을 확인한다. 또한 계산 복잡도는 인코더‑프로젝터 학습 단계가 추가되지만, GPU 가속을 활용한 경우 전체 실행 시간이 기존 UMAP과 비슷하거나 약간만 증가한다는 점에서 실용성을 확보한다.