트리로의 중첩 및 이상치 임베딩

초록

이 논문은 계층적 분리 트리(HST)로의 확률적 임베딩에서 이상치 집합을 허용함으로써 전체 왜곡을 크게 낮추는 알고리즘을 제시한다. 주어진 메트릭 (X,d)에 대해 최소 (k)개의 이상치를 제거하면 기대 왜곡 (c) 이하로 HST에 임베딩할 수 있음을 보이고, 효율적인 LP 기반 방법과 새로운 중첩 임베딩 기법을 결합해 (O(k/ε·\log^{2}k))개의 이상치와 ((32+ε)c)의 왜곡을 동시에 달성한다.

상세 분석

본 연구는 기존의 “uniform distortion” 접근법을 넘어, 특정 인스턴스에 대해 이상치를 사전에 제거함으로써 기대 왜곡을 크게 개선할 수 있음을 증명한다. 핵심은 두 가지 기술적 난관을 해결한 ‘중첩 임베딩(nested embedding)’ 개념이다. 첫째, 확률적 HST 임베딩에서는 확장(expansion)뿐 아니라 수축(contraction)도 동시에 제어해야 하는데, 이를 위해 기존 SDP 기반 방법에서 사용된 ‘아웃라이어 변수 δᵢ’를 LP에 통합하고, 각 레벨마다 거리 제한을 유지하도록 설계하였다. 둘째, 확률적 중첩 임베딩을 구성할 때 단순히 임베딩을 샘플링해 연장하면 기대 왜곡이 급격히 증가할 위험이 있다. 저자들은 HST 특유의 ‘obliviousness’ 성질을 이용해, 각 부분 임베딩을 독립적으로 샘플링하더라도 전체 기대 왜곡이 (\max_{u,v} \mathbb{E}