신경 흐름 기반 함수 데이터 공동 정렬 및 군집화

초록

NeuralFLoC은 Neural ODE로 파라미터화된 미분동형 흐름을 이용해 함수 데이터의 시간 왜곡을 부드럽고 가역적으로 보정하고, 동시에 스펙트럴 클러스터링을 통해 군집을 자동으로 학습하는 완전 비지도 엔드‑투‑엔드 프레임워크이다. 이 모델은 위상(phase) 변동과 진폭(amplitude) 변동을 효과적으로 분리하고, 이론적 보편 근사와 일관성을 제공한다. 실험 결과, 불규칙 샘플링·노이즈·결측치에 강인하면서도 기존 방법들을 능가하는 정렬·군집 성능을 보였다.

상세 분석

NeuralFLoC의 핵심 아이디어는 함수 데이터의 위상 변동을 미분동형(diffeomorphic) 워핑 함수 γ(t) 로 모델링하고, 이를 Neural ODE로 연속적인 흐름 τ(t) 로 구현한다는 점이다. 논문은 γ(t)가 단조 증가하고 경계 조건 γ(0)=0, γ(1)=1을 만족하도록 Softplus 활성화를 이용해 속도장 f를 제한함으로써 수학적으로 보장한다. 이렇게 얻은 ˆγ(t)는 경계 정규화를 거쳐 최종 워핑 γ_i(t)=∑j p{ij} ˆγ_{ij}(t) 로 클러스터별 가중합을 취함으로써 “클러스터 조건부 정렬”을 가능하게 한다.

정렬 품질 평가는 SRVF(Square‑Root Velocity Function) 변환을 이용한다. SRVF는 Fisher‑Rao 거리와 동등한 L2 거리로 변환해 주어, 정렬 손실 L_reg = Σ_i Σ_j p_{ij}‖Q_i−μ_j‖² 를 정의한다. 여기서 Q_i는 정렬된 곡선의 SRVF, μ_j는 클러스터 j의 가중 평균이다. 이 손실은 위상 정렬을 클러스터 내부에서 최소화하도록 유도해, 위상과 진폭을 효과적으로 분리한다.

클러스터링은 정렬된 곡선을 K개의 푸리에 기저 ϕ_k(t) 로 투사해 저차원 스펙트럼 계수 a_i를 얻고, 학생 t‑분포 커널을 사용한 소프트 어사인먼트 p_{ij} 로 수행한다. 목표 분포 q_{ij}=p_{ij}²/∑i p{ij}² 를 도입한 자기‑학습 손실 L_clu = KL(Q‖P) 로 클러스터 경계를 강화한다. 두 손실을 L_total = L_reg + α L_clu 로 결합해 공동 최적화한다.

학습 과정은 1D‑CNN 인코더(특징 추출) → Neural ODE 워핑 엔진 → SRVF 정렬 손실 → 푸리에 기반 클러스터링 순으로 진행되며, ODE 파라미터는 adjoint sensitivity method 로 메모리 효율(O(1))을 유지한다. 복잡도는 O(N·(C·K + C·T + T)) 로, 전통적인 DP 기반 DTW와 비교해 선형 확장성을 가진다.

이론적으로는 두 가지 정리를 제시한다. 첫째, Neural ODE 기반 워핑 함수 집합이 Γ(위상 변동 공간)를 유니버설하게 근사함을 보이며, 둘째, 전체 프레임워크가 N→∞ 일 때 군집과 정렬 파라미터에 대해 일관적(convergent)임을 증명한다. 이는 비지도 학습임에도 불구하고 통계적 신뢰성을 확보한다는 의미다.

실험에서는 전통적인 SRVF‑DTW, K‑means on coefficients, Deep Embedded Clustering 등과 비교해 정렬 오류(Mean Squared Warping Error)와 군집 정확도(NMI, ARI) 모두에서 우수한 결과를 얻었다. 특히 불규칙 샘플링, 30% 결측치, 다양한 SNR 수준의 잡음에 대해 강인함을 보였으며, 다변량(2‑D, 3‑D) 함수에도 동일한 파이프라인으로 확장 가능함을 시연했다.

전체적으로 NeuralFLoC은 위상 정렬과 군집화를 하나의 연속적 최적화 문제로 통합함으로써, 기존의 두 단계 파이프라인이 갖는 오류 전파와 모델링 제약을 극복한다. 또한 Neural ODE와 SRVF라는 강력한 수학적 도구를 결합해, 실용적인 확장성(대규모 데이터, 다변량)과 이론적 보장을 동시에 제공한다는 점에서 함수 데이터 분석 분야에 중요한 진전을 제시한다.