온라인 밴딧 기반 데이터 시퀀스 클러스터링

초록

본 논문은 고정 신뢰도 설정에서 다중 팔 밴딧(MAB) 모델을 이용해 데이터 시퀀스를 온라인으로 클러스터링하는 문제를 다룬다. 평균 추적 기반 ATBOC 알고리즘과 LUCB, ELIM 기반의 경량 알고리즘을 제안하고, 다변량 가우시안·서브가우시안 및 1차 지수족 분포에 대해 샘플 복잡도 상한을 증명한다. 제안 알고리즘은 δ‑가능한 정확성을 보장하며, 실험을 통해 이론적 최적성 및 실행 효율성을 검증한다.

상세 분석

이 연구는 기존 밴딧 온라인 클러스터링(BOC) 연구가 동일 평균을 가정하거나 두 클러스터에 국한된 제약을 넘어, 서로 다른 평균을 갖는 다중 차원 팔들을 일반화한다는 점에서 혁신적이다. 문제 설정은 M개의 팔이 각각 d‑차원 i.i.d. 샘플을 생성하고, 파라미터 벡터 µₘ를 기준으로 단일 연결(SLINK) 알고리즘에 의해 K개의 클러스터로 구분된다는 가정 하에 진행된다. 핵심 가정인 d_INTRA < d_INTER는 클러스터 간 최소 거리와 클러스터 내부 최대 이웃 거리 사이의 명확한 구분을 보장한다.

제안된 ATBOC(Average Tracking Bandit Online Clustering) 알고리즘은 “평균 추적” 메커니즘을 도입한다. 기존 D‑Tracking 방식이 매 라운드마다 최적 비율 w*를 직접 추정해 샘플링 비율을 맞추는 반면, ATBOC은 현재까지 추정된 최적 비율들의 평균을 사용해 안정적인 수렴을 유도한다. 이 접근법은 최적 비율이 다중해를 가질 수 있는 상황에서도 적용 가능하도록 설계되었다.

이론적 분석에서는 두 종류의 분포에 대해 샘플 복잡도 상한을 도출한다. 다변량 가우시안 팔에 대해서는 기대 샘플 수가 하한의 2배 이하가 되는 ‘order‑optimal’ 특성을 보이며, 서브가우시안 경우에도 동일한 상한이 유지된다. 1차 지수족(예: 베르누이, 포아송)에서는 정밀한 정지 임계값을 사용해 하한과 정확히 일치하는 ‘asymptotically optimal’ 결과를 얻는다.

계산 효율성을 위해 LUCBBOC과 BOC‑ELIM이라는 두 가지 gap‑based 알고리즘을 추가로 제안한다. LUCBBOC은 상·하 신뢰구간을 이용해 가장 불확실한 팔을 선택하고, BOC‑ELIM은 팔을 단계적으로 제거하면서 클러스터를 확정한다. 두 알고리즘 모두 ATBOC이 필요로 하는 QCQP 최적화 대신 선형/이차 연산만으로 구현 가능해, 실시간 시스템에 적합한 낮은 per‑sample 런타임을 제공한다.

복잡도 분석에서는 ATBOC이 매 라운드마다 QCQP를 ADMM으로 해결해야 하므로 O(M³) 수준의 연산이 필요하지만, LUCBBOC과 BOC‑ELIM은 O(M²) 이하로 충분히 구현된다. 실험에서는 합성 데이터와 실제 데이터(예: 사용자 행동 로그, 생물학적 서열)에서 제안 알고리즘이 기존 FSS, 라운드‑로빈, 그리고 기존 BOC 알고리즘보다 샘플 효율성이 크게 향상됨을 확인했다. 특히, 클러스터 내 평균이 서로 다를 때 ATBOC‑Gauss와 LUCBBOC이 기존 동일 평균 가정 알고리즘보다 30%‑50% 적은 샘플로 정확한 클러스터를 복구했다.

전반적으로 이 논문은 밴딧 기반 순차 클러스터링 이론에 평균 추적이라는 새로운 설계 원리를 도입하고, 실용적인 경량 알고리즘을 제공함으로써 학술적 기여와 실무 적용 가능성을 동시에 확보하였다.