데이터셋 유사성을 측정하는 새로운 기하학적 거리, 매그니튜드 거리

초록

본 논문은 유한 데이터셋에 정의된 매그니튜드(magnitude) 개념을 활용해 매그니튜드 거리(magnitude distance)를 제안한다. 스케일 파라미터 t 를 도입해 전역 구조와 미세 차이를 조절할 수 있으며, 고차원에서도 판별력을 유지한다. 이 거리를 손실 함수로 사용한 푸시‑포워드 생성 모델(MagGN)의 실험 결과도 제시한다.

상세 분석

논문은 먼저 Leinster가 정의한 매그니튜드 개념을 유한 집합에 적용하고, 중복점이 존재할 때도 매그니튜드가 동일하게 정의될 수 있음을 정리한다(정리 4.1). 이를 기반으로 두 집합 X, Y 의 매그니튜드 거리 dₜᴹᵃᵍ = 2·Mag(X∪Y) − Mag(X) − Mag(Y) 를 제안한다. 스케일 파라미터 t 는 거리 행렬 ζₓᵧ = exp(−t·d(x,y))의 폭을 조절해, t → 0이면 전체 구조를, t → ∞이면 개별 점 간 차이를 강조한다.

이론적 분석에서는 (1) 대칭성, 비음성, 영인식성(동일성) 등 기본적인 거리 성질을 증명하되, 삼각 부등식은 일반 차원 D>1 에서 성립하지 않음을 명시한다(정리 5.2). (2) t에 따른 극한 행동을 정리 5.3 으로 제시해, t→0일 때 거리가 0에 수렴하고, t→∞일 때 |XΔY|(대칭 차)의 크기로 수렴함을 보인다. 이는 고차원에서 거리 붕괴 현상을 회피할 수 있는 근거가 된다.

특히 고차원 분석에서는 매그니튜드 거리가 커널 기반 MMD와 다른 스펙트럼 집계 방식을 사용한다는 점을 강조한다. MMD는 커널 행렬 자체의 1ᵀK1 형태를 이용해 고차원에서 유효 랭크가 낮아지는 문제에 취약하지만, 매그니튜드 거리는 K⁻¹의 원소 합을 이용해 전체 스펙트럼을 반영한다. 따라서 주요 고유값에 의존하지 않아 차원 증가에도 비교적 안정적인 값을 유지한다(그림 2).

응용 측면에서는 매그니튜드 거리를 손실로 사용하는 푸시‑포워드 생성 모델(MagGN)을 제안한다. 커리큘럼 러닝 아이디어와 결합해 t를 점진적으로 증가시킴으로써 초기에는 전역 구조를, 이후에는 미세 디테일을 학습하도록 설계했다. 실험에서는 기존 MMD‑GAN, Wasserstein‑GAN과 비교해 비슷하거나 더 나은 샘플 품질을 보였으며, 특히 고차원 이미지·시계열 데이터에서 거리 신호가 유지되는 점을 강조한다.

전체적으로 논문은 매그니튜드라는 수학적 개념을 머신러닝에 적용하는 새로운 시도를 보여준다. 스케일 파라미터를 통한 다중 해상도 해석, 고차원에서의 판별력 유지, 그리고 생성 모델에의 직접 적용이라는 세 축에서 의미 있는 기여를 한다. 다만, 삼각 부등식이 성립하지 않아 전통적인 메트릭 기반 알고리즘(예: k‑최근접 이웃)과의 호환성이 제한될 수 있다. 또한 매그니튜드 계산을 위해 커널 행렬을 역행렬로 변환해야 하는데, 이는 O(n³) 복잡도로 큰 데이터셋에 직접 적용하기엔 비효율적이며, 근사 방법이나 샘플링 전략이 필요하다. 향후 연구에서는 이러한 계산적 병목을 해소하고, 비유클리드 공간(그래프, 매니폴드)으로 확장하는 방향이 기대된다.