Subspace Constrained Mean Shift (SCMS) 알고리즘은 고차원 데이터의 저차원 표현 역할을 하는 밀도 능선 (density ridges)을 추출하기 위한 대중적인 비매개변수 (nonparametric) 방법입니다. 기존 문헌에서는 SCMS 궤적이 밀도 기울기 (density gradient)와 밀도의 헤시안 (Hessian)의 고유값 (eigenvalues) 및 고유벡터 (eigenvectors)를 통해 정의되는 고전적 밀도 능선, 즉 우리가 "정적 능선 (static ridge)"라고 부르는 것에 수렴한다는 믿음이 널리 퍼져 있습니다. 본 논문에서는 정적 정의가 알고리즘의 기저 벡터장 (vector field)의 연속적인 흐름을 따라 발생하는 후행 고유 공간 (trailing eigenspace)의 회전을 설명하지 못하기 때문에, 이러한 가정이 일반적으로 성립하지 않음을 입증합니다. 이를 해결하기 위해, 우리는 동역학계 (dynamical systems)와 투영된 밀도 기울기 (projected density gradient)의 자코비안 (Jacobian)의 관점에서 정의되는 새로운 기하학적 구조인 "안정적 능선 (stable ridge)"를 도입함으로써 패러다임의 전환을 제안합니다. 우리는 이 안정적 능선이 SCMS 알고리즘의 진정한 이론적 목표임을 증명합니다. 이러한 토대 위에, 우리는 일정한 단계 크기 (constant step size)를 사용하는 일반화된 SCMS 프레임워크를 개발하여, 안정적 능선에 대한 균등 R-선형 수렴성 (uniform R-linear convergence)과 위상적 전사성 (topological surjectivity)을 확립합니다. 나아가 하우스도르프 거리 (Hausdorff distance) 관점에서 안정적 능선을 추정하기 위한 수렴 속도를 도출합니다. 마지막으로, 우리는 기존 SCMS 알고리즘이 Mean Shift 연산자를 통해 단계 크기를 평활화 대역폭 (smoothing bandwidth)과 암묵적으로 결합함으로써 다항 시간 (polynomial-time) 계산 복잡도 문제를 겪는다는 점을 밝히고, 우리의 일반화된 프레임워크가 어떻게 통계적으로 일관되고 더 효율적인 솔루션을 제공하는지 입증합니다.