k‑최근접 이웃을 위한 산술 방법 기반 최적화 알고리즘 연구

초록

본 논문은 선형 방정식 해법을 제공하는 새로운 산술 방법(AMA)을 도입하고, 이를 k‑Nearest Neighbors 회귀에 적용한 Arithmetic Method Regression(AMR) 알고리즘을 제안한다. AMR을 기존 회귀 모델(LR, DT, SVR, RF, XGBoost, CNN 등)과 비교 평가했으며, 여러 공개 데이터셋에서 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 결정계수(R²) 및 실행 시간 등을 기준으로 k‑NN보다 전반적으로 우수하거나 동등한 성능을 보였다고 주장한다.

상세 분석

논문은 먼저 “산술 방법”이라는 용어를 정의하고, 임의의 실수 변수 개수를 갖는 선형 방정식 풀이에 적용할 수 있는 알고리즘(AMA)을 제시한다. 그러나 AMA의 구체적인 수식 전개, 복잡도 분석, 수치적 안정성 등에 대한 설명이 부족하고, 기존의 가우스 소거법이나 LU 분해와의 차별점이 명확히 제시되지 않는다. AMR은 AMA를 k‑NN의 거리 가중치 계산에 삽입하여, 이웃 선택 과정에서 선형 방정식 해를 이용해 가중치를 재조정하는 방식으로 설계되었다고 기술한다. 하지만 k‑NN의 핵심인 “최근접 이웃” 정의가 어떻게 변형되는지, 실제 구현 시 어떤 파라미터(예: k값, 거리 함수)와 연계되는지 구체적인 알고리즘 흐름도가 제공되지 않는다.

실험 부분에서는 20여 개 이상의 공개 데이터셋을 인용하며, 각 데이터셋에 대해 k‑NN, LR, DT, SVR, RF, XGBoost, CNN 등 다양한 회귀 모델과 AMR을 비교한다. 그러나 표와 그래프가 누락된 채 텍스트로만 결과를 서술하고 있어 재현 가능성이 낮다. 또한 “두 표본 순열 검정”을 사용했다고 언급하지만, 검정 절차와 p‑값, 효과 크기 등에 대한 상세 보고가 없다. 실행 시간(ET) 비교는 언급되지만, 하드웨어 사양이나 코드 최적화 수준이 명시되지 않아 실제 효율성을 판단하기 어렵다.

문헌 리뷰는 각 분야(인구 연령 추정, 혈당 모니터링, 암 발생률 등)에서 기존 연구가 어떤 알고리즘을 사용했는지를 나열하는 형태로, 논문의 독창성에 대한 근거보다는 배경 설명에 머물러 있다. 결과적으로 AMR이 k‑NN보다 “대부분의 경우” 더 나은 성능을 보인다고 주장하지만, 통계적 유의성 검증이 충분히 제시되지 않았으며, 데이터셋별 성능 차이와 그 원인에 대한 심층 분석도 부족하다.

종합하면, 제안된 AMA와 AMR은 아이디어 수준에서는 흥미하지만, 알고리즘 상세 설계, 이론적 근거, 실험 재현성, 통계적 검증 측면에서 현저히 부족하다. 기존 k‑NN 최적화 기법(가중치 학습, 차원 축소, 거리 함수 변형 등)과의 비교도 제한적이며, 논문의 기여도를 명확히 판단하기 어렵다.