방향 데이터의 지역 깊이 기반 분류

본 논문은 방향 데이터, 즉 단위 구면 \(S^{q-1}\) 위에 존재하는 관측값들을 대상으로 분류 문제를 다룬다. 방향 데이터는 지구 물리학, 기상학, 심리학, 텍스트 마이닝 등 다양한 분야에서 나타나며, 전통적인 통계 방법은 이러한 데이터에 적합하지 않은 경우가 많다. 특히 데이터가 다중 모드이거나 비볼록 형태를 가질 때, 전역적인 깊이 함수는 하나의 중심값만을 제공하므로 데이터의 복잡한 구조를 반영하지 못한다. 이에 저자들은 기존의 거리 기반 깊이 함수인 코사인 거리 깊이(Cosine Distance Depth, CDD)를 지역화하여 Local Cosine Distance Depth(LCDD)를 정의한다. 지역화는 특정 관측점 \(x_i\)를 기준으로 그 점에 대한 반사점 집합 \(R_i\)를 만든 뒤, 원본 샘플과 반사점을 합친 확장 샘플 \(X^{R_i}=X\cup R_i\)에 대해 CDD를 재계산하는 방식이다. 반사 연산 \(R(x_j,x_i)=2x_i\langle x_i,x_j\rangle - x_j\)는 거리 보존성을 가지며, 이를 통해 \(x_i\) 주변의 국소 구조를 강조하면서도 전체 데이터의 기하학적 특성을 유지한다. 저자들은 \(x_i\)가 \(X^{R_i}\)에서 깊이 중앙값이 되거나 반대쪽(antipodal) 위치가 되는 경우를 정리하였다. 핵심은 \(C=1+2\sum_{k\neq i}\langle x_i,x_k\rangle\)의 부호이다. \(C>0\)이면 \(x_i\)는 지역 깊이의 최대값을, \(C<0\)이면 최소값을 갖는다. 이 결과는 \(x_i\)가 중심에 가까울수록 깊이 중앙값이 되고, 주변에 멀리 있을수록 antipodal이 된다는 직관적인 해석을 제공한다. 지역 깊이를 이용해 \(\beta\)-Depth 기반 이웃집합 \(D N_i^{(\beta)}\)을 정의한다. 여기서는 CDD를 사용하면 \(\beta\)-이웃이 코사인 거리 기준으로 정렬된 이웃과 동일함을 증명하였다. 즉, \(\beta\) 비율만큼 가장 가까운 이웃을 선택하면 지역 CDD가 자동으로 반영된다. 이는 계산 효율성을 크게 향상시킨다. 분류 단계에서는 두 클래스 각각에 대해 지역 CDD를 추정하고, 각 관측점의 두 깊이 값을 2차원 DD‑plot에 매핑한다. 기존 DD‑classifier는 전역 깊이를 사용했지만, 지역 CDD를 적용함으로써 각 클래스의 다중 모드와 복잡한 형태를 보다 정확히 반영한다. 최적의 분리 곡선은 다항식 형태로 학습되며, 교차 검증을 통해 차수를 선택한다. 시뮬레이션에서는 차원 \(q\)가 3에서 20까지 변하는 다양한 혼합 가우시안 모델을 사용하였다. 실험 결과, 지역 CDD 기반 DD‑classifier는 전역 CDD, Angular Tukey Depth, Angular Simplicial Depth 등에 비해 평균 정확도가 5~12% 향상되었다. 특히 비볼록 혼합 모델에서 그 차이가 크게 나타났다. 실제 데이터로는 (1) 지구 물리학에서 측정된 지자기 방향 데이터, (2) 텍스트 문서의 단어 빈도 비율을 제곱근 변환한 데이터(컴포지션 데이터)를 사용하였다. 두 경우 모두 제안 방법이 기존 방법보다 높은 분류 정확도와 안정성을 보였으며, 특히 고차원(\(q>100\))에서도 계산 시간이 크게 증가하지 않았다. 계산 복잡도 측면에서 CDD는 단순한 내적 연산만 필요하므로 \(O(n^2)\) 시간에 구현 가능하고, 지역화 과정에서도 추가적인 연산이 크게 늘어나지 않는다. 따라서 고차원에서도 실용적인 적용이 가능하다. 결론적으로, 본 논문은 (1) 지역 깊이 개념을 명확히 정의하고, (2) 반사 기반 확장 샘플을 이용한 CDD 지역화 이론을 증명하며, (3) 이를 DD‑plot 분류기에 통합해 실험적으로 우수성을 입증한 점에서 큰 의의를 가진다. 향후 연구 방향으로는 다른 거리 기반 깊이와의 비교, 비정규화된 혼합 모델에 대한 적응형 \(\beta\) 선택 전략, 비지도 군집화와의 연계 가능성 등을 제시한다.