PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2509.04603v4stat.AP

DRtool: 고차원 군집 분석을 위한 대화형 도구

DRtool: An Interactive Tool for Analyzing High-Dimensional Clusterings

새로운 데이터를 접할 때, 우리는 데이터의 구조와 데이터에 존재하는 전형적인(archetypical) 샘플들을 더 잘 이해하기 위해 군집 분석(cluster analysis)을 자주 수행합니다. 그러나 데이터의 복잡성과 차원이 증가함에 따라 이 과정은 매우 까다로워졌습니다. 고차원 데이터에 존재하는 높은 비율의 노이즈는 패턴과 경향성을 흐리게 만들어 군집을 구별하기 어렵게 합니다. 따라서 군집 탐색 도구 및 군집 검증 도구는 고차원 데이터의 이러한 어려움을 해결하도록 조정되어야 합니다. 비선형 차원 축소(nonlinear dimension reduction)는 올바른 방향으로 나아가는 단계이지만, 이러한 방법들조차 잘못 다뤄질 경우 거짓 구조(false structure)를 생성하는 것으로 알려져 있습니다. 훈련되지 않은 눈으로는 감지하기 어려운 흔한 현상 중 하나는 데이터의 과도한 군집화(over-clustering)입니다. 이러한 노력의 연장선으로, 우리는 분석가가 거짓 군집을 구별하고 고차원 군집화 결과를 더 잘 해석할 수 있도록 돕는 시각적 평가와 가설 검정을 포함한 새로운 군집 검증 기법을 개발했습니다. 사용 편의성을 위해 이러한 새로운 방법들은 R 패키지 DRTool을 통해 제공되는 대화형 툴박스로 제공됩니다.

arXiv:2607.08334v1stat.ME

빅데이터 분류를 위한 확장 가능한 MADD 버전

A scalable version of MADD for big-data classification

고차원 빅데이터 분류에서 MADD(거리의 평균 절대 차이)의 계산 복잡도가 학습 표본 크기에 따라 이차적으로 증가하는 문제를 해결하기 위해, 결정적 점 과정(Determinantal Point Process)을 활용한 대표 집합 선택과 랜덤 푸리에 특성(Random Fourier Features)을 결합한 확장 가능한 MADD 변형을 제안한다. 제안된 방법은 MADD의 고차원 분류 성능을 유지하면서 계산 시간을 대폭 단축하여 대규모 관측치를 가진 빅데이터에도 적용 가능함을 이론적·수치적으로 입증한다.