다중스케일 지속성 기반 밀도 클러스터링

초록

본 논문은 HDBSCAN의 최소 클러스터 크기 파라미터를 전역적으로 탐색하여 모든 스케일에서 안정적인 leaf 클러스터를 추출하는 새로운 밀도 기반 알고리즘 PLSCAN을 제안한다. 스케일‑스페이스 개념과 영차원 지속성 동형성을 결합해 파라미터 의존성을 크게 감소시키고, 저차원에서는 k‑Means 수준의 실행 시간을, 고차원에서는 HDBSCAN와 비슷한 확장성을 보인다.

상세 분석

PLSCAN은 기존 HDBSCAN가 최소 클러스터 크기 (m_c) 값에 따라 밀도 트리를 가지치기하는 방식을 역이용한다. 논문은 먼저 HDBSCAN의 핵심 구성요소인 상호 도달 거리(mutual reachability distance)와 단일 연결(single‑linkage) 트리를 그대로 계산한 뒤, 하나의 “condensed tree”를 구축한다. 이 condensed tree는 모든 병합 이벤트를 거리 순으로 정렬해 두어, 특정 (m_c) 값에서 어떤 클러스터가 사라지는지를 바로 추적할 수 있다.

핵심 혁신은 “leaf tree”라는 새로운 자료구조를 도입해, 각 클러스터 세그먼트가 존재할 수 있는 최소·최대 (m_c) 구간 ((s_{min}, s_{max}])을 명시적으로 저장한다는 점이다. 이를 통해 하나의 condensed tree만으로 모든 (m_c) 스케일에 대한 leaf‑cluster 계층을 한 번에 얻는다. 논문은 이 과정을 알고리즘 C2–C4에 상세히 기술하고, 복잡도 분석을 통해 전체 과정이 (O(n \log n)) (또는 희소 행렬 사용 시 (O(n))) 수준임을 증명한다.

수학적 관점에서는 영차원 지속성 동형학(zero‑dimensional persistent homology)과 동등함을 보인다. 새로운 거리 메트릭을 정의해, 클러스터가 사라지는 (m_c) 값을 “생존 시간(persistence)”으로 해석한다. 따라서 PLSCAN은 HDBSCAN*의 트리 가지치기와 지속성 분석을 통합한 일반화된 프레임워크가 된다.

실험에서는 10여 개의 공개 데이터셋(이미지, 텍스트, 바이오 데이터 등)에서 ARI(Adjusted Rand Index)를 기준으로 HDBSCAN보다 평균 3 % 높은 점수를 기록했다. 특히 (k) (최근접 이웃 수) 파라미터를 변화시켜도 성능 변동이 미미해, 파라미터 민감도가 크게 낮아졌다. 실행 시간 측면에서는 2차원10차원 데이터에서 k‑Means와 비슷하거나 약간 느리지만, 50차원 이상에서는 HDBSCAN와 동일한 성장 곡선을 보이며, 메모리 사용량도 비슷하거나 약간 절감되었다.

한계점으로는 매우 고차원(>100차원)에서 거리 기반 MST 구축 비용이 여전히 병목이며, 현재 구현이 CPU 기반이므로 GPU 가속이 필요하다. 또한, 영차원 지속성에만 초점을 맞추었기 때문에 클러스터 내부의 복잡한 구조(예: 구멍, 고차원 토폴로지)는 탐지하지 못한다. 향후 연구에서는 고차원 토폴로지를 포함한 다중 차원 지속성 분석과, 스파스/근사 MST 기법을 결합한 확장성을 모색한다.