고차원 데이터 매니폴드에서의 효율적인 평균 곡률 (Mean Curvature) 계산

고차원 데이터셋의 각 지점에서 국소 평균 곡률 (local mean curvature)을 추정하는 것은 Mean Curvature Boundary Points (MCBP) 방법과 같은 기하학 인지 머신러닝 (geometry-aware machine learning) 알고리즘의 핵심 요소입니다. k-최근접 이웃 (k-nearest neighbor) 패치로부터 근사된 국소 형상 연산자 (local shape operator)에 기반한 이 계산의 단순한 구현 방식은, 트레이스 (trace) 형태가 지점당 $O(m^4)$의 비용을 발생시키는 행렬 $H$의 명시적 구축을 포함하며, 이로 인해 수십 개의 특징 (features)을 가진 데이터셋에 대해서는 접근이 불가능해집니다. 본 논문은 이 비용을 수 차례의 차수(orders of magnitude)만큼 줄여주는 두 가지 상호 보완적인 기여를 소개합니다. 첫 번째 기여는 정확한 대수적 항등식 (algebraic identity)입니다. 공분산 행렬 (covariance matrix)의 고유벡터 (eigenvectors)의 직교성과 트레이스 연산자 (trace operator)의 순환성 (cyclicity)으로부터 유도된 이 항등식은 $H$를 완전히 제거하며, 고유값 분해 (eigendecomposition) 이후의 지점당 비용을 $O(m^2)$로 줄여줍니다. 두 번째 기여는 전체 고유값 분해의 남은 병목 구간인 $O(m^3)$ 문제를 다룹니다. 국소 공분산 행렬의 계수 (rank)가 최대 $k-1 \ll m$이므로, 이를 $k \times m$ 중심화된 데이터 행렬 (centered data matrix)의 절단된 SVD (truncated SVD)로 대체하여 $O(k^2 m)$ 연산으로 처리하고, Haar 측도 (Haar measure) 하에서의 외적 (outer product) 기대값을 기반으로 영공간 (null-space) 고유벡터의 기여도에 대한 분석적 근사치를 유도합니다. 결과적으로 도출된 추정기의 총 비용은 $O(k^2 m + k m p^2)$이며, 여기서 $p = k-1$입니다. 실제 데이터셋에 대한 실험을 통해, 빠른 추정기를 기존 버전을 대체하여 사용했을 때 무시할 수 있는 수준의 손실만 발생하면서도 기존 구현 대비 50배에서 300배의 속도 향상을 확인했습니다. 국소 곡률에 대한 확장 가능하고 데이터 기반의 추정치를 제공함으로써, 제안된 방법은 고전적인 방식부터 현대적인 딥러닝 (deep learning) 파이프라인에 이르기까지 광범위한 머신러닝 작업에서 곡률을 실용적인 기하학적 특징으로 확립합니다.