이진 선형 계획을 통한 공동 단순 복합체 학습

초록

본 논문은 상위 차원의 포함 속성을 선형 제약으로 명시하여, 노드·엣지·삼각형을 동시에 추정하는 이진 선형 프로그램을 제안한다. 노드와 엣지 신호의 스무스니스 측정을 비용 벡터로 변환하고, 선택 변수 s₁, s₂를 이용해 전체 후보 복합체에서 실제 구조를 골라낸다. 실험 결과, 계층적 및 탐욕적 기존 방법보다 정확도가 높으며, 고차 구조적 선행조건을 보다 충실히 만족한다.

상세 분석

논문은 고차 상호작용을 모델링하는 단순 복합체(Simplicial Complex, SC)의 토폴로지를 데이터로부터 학습하는 문제를 다룬다. 기존 연구는 주로 낮은 차원의 구조를 먼저 추정하고, 그 결과를 바탕으로 높은 차원을 순차적으로 복원하는 계층적 접근법을 사용했으며, 이는 차원 간 강한 결합을 충분히 활용하지 못한다는 한계가 있었다. 저자들은 이러한 한계를 극복하기 위해 포함 속성(inclusion property)을 선형 제약 s₁ ≥ α B̅⁺₂ s₂ 로 명시한다. 여기서 B̅⁺₂는 무방향 엣지‑삼각형 인시던스 행렬이며, α > 0는 충분히 작은 상수이다. 이 제약은 어떤 삼각형이 선택되면 그 삼각형을 구성하는 세 엣지도 반드시 선택되도록 보장한다.

스무스니스(prior) 측정은 두 단계로 나뉜다. 첫 번째는 노드 신호 X₀와 엣지 인시던스 B̅₁을 이용해 노드‑엣지 스무스니스 tr(X₀ᵀ L̅₀ X₀) 를 계산하고, 이를 h₁ = diag(B̅₁ᵀ X₀ X₀ᵀ B̅₁) 로 변환해 선형 비용으로 표현한다. 두 번째는 엣지 신호 X̅₁와 삼각형 인시던스 B̅₂를 이용해 두 가지 스무스니스 옵션을 제시한다. (i) 컬( curl) 기반 tr(X̅₁ᵀ L̅_up₁ X̅₁) 은 h₂ = diag(B̅₂ᵀ X̅₁ X̅₁ᵀ B̅₂) 로, (ii) 유사성 기반 Pₙₖ = ∑‖X_{k‑1}^f − X_{k‑1}^g‖² 은 각 삼각형 t에 대해 h₂