계층적 최근접 이웃 그래프 임베딩을 통한 효율적인 차원 축소

차원 축소는 기계 학습을 위한 고차원 데이터 전처리뿐 아니라 시각화 측면에서도 매우 중요하다. 본 연구에서는 원본 공간에서 1-가장 가까운 이웃(1-nearest neighbor) 그래프를 기반으로 구축된 계층 구조를 활용하는 새로운 방법을 제안한다. 이 방법은 데이터 분포의 그룹화 특성을 다수의 수준에서 보존하는 데 초점을 맞추고 있다. 제안된 기법의 핵심은 최적화 과정 없이도 최신 t-SNE 및 UMAP 기법과 경쟁 가능한 성능과 시각화 품질을 제공하면서도, 실행 시간이 한 차원 빠른 특징을 지닌 투영 방식이다. 또한, 해석이 가능한 메커니즘, 새로운 데이터에 대한 투영 가능성, 시각화에서 자연스럽게 분리된 데이터 클러스터 형성 등으로 인해 일반적인 비지도 차원 축소 기법으로서의 유용성을 갖춘다. 본 논문에서는 제안된 방법의 타당성을 논의하며, 1,000에서 1,100만 개의 샘플, 28에서 16,000차원에 이르는 다양한 크기와 차원을 가진 데이터셋을 대상으로 실험을 수행한다. 여러 지표와 목표 차원에서 다른 최첨단 기법들과의 비교를 통해 그 효율성과 성능을 입증한다. 관련 코드는 https://github.com/koulakis/h-nne 에 공개되어 있다.