형상 그래프 분석을 위한 특징 기반 파이프라인

초록

본 논문은 2D·3D 공간에 내재된 형태 그래프(지오메트릭 네트워크)의 통계적 분석을 위해, 위상·기하·방향 특성을 명시적으로 추출하는 파이프라인을 제안한다. 추출된 특성 벡터는 군집, 분류, 그룹 비교 등에 활용되며, 도로망·신경섬유·성상세포 등 실제 데이터셋에서 기존 방법보다 우수한 성능을 보인다.

상세 분석

이 연구는 기존 그래프 이론이 주로 연결 구조만을 다루는 한계를 극복하고, 형태 그래프의 물리적·기하학적 속성을 정량화하는 새로운 프레임워크를 제시한다. 핵심은 세 가지 카테고리의 특성을 설계한 점이다. 첫째, 위상 특성은 노드·엣지 수, 차수 분포, 사이클 길이 등 전통적인 그래프 이론 지표를 포함하면서도, 그래프가 임베딩된 공간에서의 연결성 변화를 포착한다. 둘째, 기하 특성은 각 엣지의 길이, 곡률, 면적(또는 부피) 등 공간적 형태를 수치화한다. 특히, 스케일 불변성을 확보하기 위해 길이와 면적을 전체 그래프의 평균 길이·면적으로 정규화한다. 셋째, 방향 특성은 엣지의 주축 방향, 평균 방위각, 방향 분산 등을 계산해, 네트워크가 특정 방향성을 갖는 경우(예: 도로망의 방사형 구조) 이를 정량화한다. 이러한 특성들은 모두 회전·이동·스케일 변환에 대해 불변성을 만족하도록 설계되었으며, 필요에 따라 반사 불변성도 옵션으로 제공한다.

특성 추출 후에는 고차원 벡터를 얻으며, 차원 축소(PCA, t‑SNE)와 군집 알고리즘(k‑means, DBSCAN)을 결합해 시각화와 그룹 구분을 수행한다. 분류 작업에서는 SVM, 랜덤 포레스트, 그래디언트 부스팅 등 다양한 지도 학습 모델에 특성 벡터를 입력해 교차 검증을 진행한다. 논문은 특히 “특징 선택” 단계에서 상관관계 분석과 LASSO 회귀를 이용해 불필요한 특성을 제거함으로써 모델 복잡도를 낮추고 과적합을 방지한다는 점을 강조한다.

실험에서는 세 가지 실제 데이터셋을 사용한다. 첫 번째는 도시 도로망으로, 도로의 직선성·곡률·연결성 차이가 지역별 교통 패턴과 연관됨을 보여준다. 두 번째는 신경섬유 추적 데이터로, 신경세포 간의 가지 분기와 길이 분포가 질병군과 정상군을 구분하는 주요 요인임을 확인한다. 세 번째는 astrocyte(성상세포) 이미지에서 추출한 3D 형태 그래프로, 세포의 돌출부와 가지 방향성이 세포 유형 구분에 기여한다. 모든 경우에서 제안된 특징 기반 방법은 기존 그래프 커널, 딥러닝 기반 그래프 신경망(GNN), 그리고 단순 거리 기반 메트릭보다 높은 정확도와 F1 점수를 기록한다. 특히, GNN이 대규모 데이터에선 학습 비용이 크게 증가하는 반면, 특징 기반 파이프라인은 상대적으로 가벼운 연산량으로 실시간 분석이 가능하다는 실용적 장점을 가진다.

결론적으로, 이 논문은 형태 그래프의 복합적인 위상·기하·방향 정보를 통합적으로 다루는 체계적인 특성 설계와 이를 활용한 통계·머신러닝 분석 흐름을 제공한다. 향후 연구에서는 더 풍부한 텍스처 특성, 다중 스케일 계층 구조, 그리고 비지도 학습 기반 특성 자동 추출을 결합해, 의료·교통·생물학 등 다양한 분야에서 형태 그래프 데이터를 보다 깊이 있게 탐색할 수 있을 것으로 기대한다.