거의 최적에 가까운 능동 클러스터링 쌍별 관측

초록

이 논문은 쌍별 질의와 이진 밴딧 피드백을 이용해 알려지지 않은 군집 수 K 로 M개의 아이템을 클러스터링하는 문제를 다룬다. 저자는 변화 측정(change‑of‑measure) 기법을 활용해 오류 확률 δ→0 일 때 필요한 기대 질의 수의 인스턴스‑종속 하한을 sup‑inf 형태로 제시하고, 이를 기반으로 일반화 가능도비(GLR) 통계량을 이용한 거의 최적(Asymptotically Optimal) 알고리즘을 설계한다. 계산량을 줄인 실용적인 변형도 제안하며, 실험을 통해 제안 알고리즘이 하한의 상수 배 이내에 머무름을 확인한다.

상세 분석

본 연구는 기존의 노이즈가 있는 오라클 기반 클러스터링을 밴딧 프레임워크와 연결시켜, 각 아이템 쌍을 하나의 “팔”로 보는 새로운 시각을 제시한다. 관측 모델은 동일 군집이면 성공 확률 p>½, 다른 군집이면 성공 확률 q<½인 베르누이 분포이며, p와 q는 사전 지식이 없는 파라미터이다. 저자는 먼저 모든 가능한 클러스터링 인스턴스를 집합 𝒞 로 정의하고, 오류 확률 δ에 대해 δ‑정확(δ‑correct) 알고리즘이 만족해야 할 기대 샘플 복잡도 하한을
\