다변량 함수 데이터의 위상 변동을 고려한 깊이 기반 중심 함수 추정

초록

본 논문은 개별 및 구성요소 간 위상 변동이 동시에 존재하는 다변량 함수 데이터를 대상으로, 잠재 변형 모델(LDM) 하에서 깊이 기반 중앙 함수(깊이 중앙값)를 이용해 공통 템플릿 함수를 직접 추정하는 방법을 제안한다. 함수 깊이가 엄격히 증가하는 변환에 불변하고 표본 중앙값이 일관성을 가질 경우, 기존의 복잡한 등록 절차 없이도 템플릿 함수를 일관적으로 복원할 수 있음을 이론적으로 증명하고, 시뮬레이션 및 실제 데이터 분석을 통해 강건성 및 실용성을 확인한다.

상세 분석

본 연구는 다변량 함수 데이터 (X_i(t)=(X_{i1}(t),\dots,X_{ip}(t))) 가 두 단계의 위상 변형, 즉 개별 워핑 (h_i)와 구성요소별 워핑 (\psi_j)에 의해 왜곡된 공통 템플릿 (\lambda) 로부터 생성된다는 잠재 변형 모델(LDM)을 전제로 한다. 모델식 (X_{ij}(t)=a_{ij},\lambda\bigl(\psi_j\bigl(h_i(t)\bigr)\bigr)) 에서 (a_{ij})는 스케일, (\psi_j,;h_i)는 각각 (C^2) 연속이며 경계 고정 조건을 만족하는 단조 증가 함수이다. 기존 방법은 (h_i,\psi_j) 를 개별적으로 추정한 뒤 정렬(registration) 과정을 거쳐 (\lambda) 를 추정한다. 그러나 저자는 함수 깊이(depth) 개념을 활용해 등록 없이 바로 (\lambda) 를 추정한다는 새로운 접근을 제시한다.

핵심은 깊이 함수 (FD) 가 두 가지 성질을 만족하면 된다. (P1) 단조 변환 불변성: 임의의 엄격히 증가 함수 (g) 에 대해 (FD(x,P_X)=FD(g\circ x, P_{g\circ X})). (P2) 표본 중앙값의 일관성: 표본 깊이 중앙값 (\hat m_{FD}) 가 모집단 중앙값 (m_{FD}) 로 거의 확실히 수렴한다. 이러한 조건을 만족하는 대표적인 깊이로는 수정 밴드 깊이(MBD), 밴드 깊이, 적분 깊이, 극값 깊이 등이 있다.

정리 1은 위 두 조건과 모집단 워핑 깊이 중앙값이 항등함수((m_{FD}^H=id))일 때, (\hat m_{FD}(X_{1:n})) 가 (\lambda) 로 일관적으로 수렴함을 보인다. 여기서 (\lambda) 가 엄격히 증가일 경우 직접 적용 가능하고, 비단조 경우에는 워핑을 보존하는 단조화 연산자 (T) (예: 누적합, 순위 변환)를 적용한 뒤 중앙값을 구하면 동일한 일관성을 얻는다(정리 2).

다변량 상황에서는 각 구성요소가 동일한 개별 워핑 (h_i) 를 공유한다는 분리성(separability) 가 핵심 가정이다. 이를 이용해 전체 데이터의 깊이 중앙값을 구하면 (\lambda) 가 아닌 (\lambda\circ\psi_j) 에 대한 추정값을 얻는다. 즉, 각 구성요소별 깊이 중앙값 (\hat m_{FD}^{(j)}) 를 계산하면 (\gamma_j=\lambda\circ\psi_j) 를 일관적으로 복원한다. 이후 (\psi_j) 를 추정하기 위해 (\hat\gamma_j) 와 (\hat m_{FD}) 의 상대적 워핑을 역추정한다.

또한 저자는 WHyRA(워핑 히포그래프 순위 일치) 플롯을 제안한다. 이는 각 관측치에 대해 개별 워핑 추정값과 구성요소 워핑 추정값의 순위 일치를 시각화함으로써 LDM의 가정(특히 개별 워핑이 구성요소 전반에 동일하게 적용된다는 가정)을 진단한다.

시뮬레이션에서는 표본 크기, 워핑 복잡도, 아웃라이어 비율, 모델 위반(예: (\psi_j) 가 비선형이거나 (h_i) 가 비동일) 등을 다양하게 변형하여 제안 방법의 평균 제곱 오차(MSE), 절대 편차, 그리고 강건성 지표를 평가했다. 결과는 MBD 기반 중앙값이 기존 최소제곱 기반 등록 방법보다 아웃라이어에 덜 민감하고, 워핑 구조가 약간 위배되더라도 추정 정확도가 크게 떨어지지 않음을 보여준다.

실제 데이터 분석에서는 (1) 북극 해빙 면적 시계열의 다변량 관측(다른 위성 센서)과 (2) 유럽 각국 출산 연령 분포를 다변량 형태로 다룬 사례를 제시한다. 두 사례 모두 개별 연도별 워핑과 국가별 워핑이 동시에 존재함을 확인했으며, 깊이 기반 추정은 전통적인 등록 기반 방법과 비교해 비정상적인 연도(극단적 기후 현상)나 국가(데이터 수집 오류)를 효과적으로 식별하였다.

결론적으로, 함수 깊이의 불변성 및 중앙값 일관성이라는 두 가지 핵심 조건만 충족하면, 복잡한 최적화 없이도 다변량 위상 변동 모델에서 공통 템플릿을 강건하게 추정할 수 있다. 이는 고차원 함수 데이터 분석에서 계산 효율성과 이상치 저항성을 동시에 달성하려는 연구자들에게 유용한 도구가 될 것이다.