신경망 기반 일반화 보로노이 다이어그램 근사 프레임워크

초록

VoroFields는 임의의 거리 함수와 저차원 영역에서 유한한 기하학적 사이트 집합의 일반화 보로노이 다이어그램을 연속적이고 미분 가능한 신경장(field)으로 근사한다. 계층적 클러스터링과 두꺼운 경계 샘플링을 통해 복잡도를 크게 낮추면서도 셀 경계와 형태를 높은 정확도로 복원한다.

상세 분석

본 논문은 전통적인 조합적 보로노이 다이어그램 구축 방식이 요구하는 복잡한 기하학적 프레디케이트와 수치적 안정성 문제를 회피하고, 대신 연속적인 신경망 기반 함수를 학습시켜 최소화 연산을 근사한다는 근본적인 아이디어를 제시한다. 저자들은 먼저 각 사이트 sₑ에 대해 점‑사이트 거리 혹은 일반화된 거리 fₑ(x) 를 정의하고, 이들의 그래프 집합 Γₑ 를 통해 1‑레벨 셀을 형성한다. 전통적인 방법은 이 그래프들의 하부 포락선 L(x)=minₑ fₑ(x) 을 구해 투영함으로써 보로노이 구역 V_T 을 얻는다. VoroFields는 이 하부 포락선을 Φ_Θ(x)∈ℝ^{|E|} 이라는 신경망 출력으로 대체하고, L_Θ(x)=maxₑ Φ_Θ,ₑ(x) 를 정의한다. 여기서 argmax Φ_Θ,ₑ(x) 는 원래의 argmin fₑ(x) 와 일치하도록 학습된다.

핵심 기술은 두 단계로 나뉜다. 첫째, 전체 사이트 집합 E 을 k‑means 클러스터링으로 여러 작은 서브셋 E(v) 으로 분할하고, 각 서브셋에 대해 별도의 로컬 신경장 Φ_Θ(v) 을 학습한다. 이렇게 하면 트리 구조 T 가 형성되며, 깊이 h≈⌈log_k n⌉ 의 계층을 통해 전역 최대값 탐색을 순차적 로컬 결정으로 대체한다. 둘째, 각 노드 v 내에서 경계 샘플링을 효율화하기 위해 “두꺼운 이등분선”(ε‑thickened bisector) B(v)_ε 을 정의하고, 이 영역 안에서만 학습 샘플을 추출한다. 실제 구현에서는 사이트 중심 c_i(v) 와 근사 거리 \tilde f_i(v)(x)=‖x−c_i(v)‖ 을 이용해 저차원에서 효율적으로 경계 후보를 생성한다.

학습 목표는 교차 엔트로피 손실 ℓ(Φ_Θ(x), y(x)) 을 최소화하는 것으로, y(x)=argminₑ fₑ(x) 인 정답 레이블을 직접 계산해 제공한다. 실험에서는 2D·3D에서 10 k개의 사이트를 가진 다양한 형태(정사각형, 직육면체, 타원, 선분, 비볼록 다각형 등)와 거리 메트릭(L₂, L_∞ 등)을 사용했다. 결과는 Top‑1/Top‑2 정확도가 90 % 이상이며, ε 값을 증가시켜 경계 샘플링을 확대하면 복잡한 교차점 근처에서도 정확도가 현저히 향상됨을 보여준다. 또한, 하부 포락선만을 학습했음에도 불구하고 고차 순서(켄달‑τ≈0.72, order‑2≈0.77)까지 암시적으로 보존한다는 흥미로운 부수 효과가 보고된다. 전반적으로 VoroFields는 공간 기반 분할 대신 사이트 기반 계층 구조와 연속적 신경망 근사를 결합해, 기존의 메모리·시간 복잡도를 크게 낮추면서도 높은 정밀도의 보로노이 셀을 제공한다는 점에서 의미가 크다.