고차원 데이터에 대한 군집분석 방법론 = Clustering methods for high-dimensional data

국문 초록 (Abstract)

수천 개의 특징(feature)을 갖는 고차원 데이터는 유전자 발현 분석, 영상 처리, 자연어 처리 등 다양한 분야에서 광범위하게 활용되고 있다. 이러한 데이터는 풍부한 정보를 제공하지만, 차원의 저주(curse of dimensionality), 유사도 측도의 왜곡, 해석력의 한계 등으로 인해 군집분석 측면에서 상당한 도전 과제를 수반한다. 지금까지 이를 해결하기 위한 다양한 방법론들이 개발되어 왔고, 그 대표적인 방법들로 하위공간 군집분석(subspace clustering), 차원 축소(dimension reduction) 기반 접근법, 모형 기반 접근법(model-based approaches), 특징 선택(feature selection) 기법 등을 들 수 있다. 최근에는 군집의 개수를 추정하기 위한 정규화(regularization) 기법과 부쓰트랩(bootstrap) 기반 절차가 도입되며 이 분야의 연구가 더욱 고도화되고 있다. 본 논문은 고차원 데이터에 적합한 최신 군집분석 기법들을 포괄적으로 정리하고, 각 방법론의 강점, 한계, 적용 가능성을 제시한다. 아울러, 효율적이고 확장 가능하고 해석 가능한 알고리즘 개발을 위한 이 분야의 향후 연구 방향도 논의한다.

다국어 초록 (Multilingual Abstract)

High-dimensional data which is characterized by observations with thousands of features are prevalent in various fields such as gene expression data analysis, image processing, and natural language processing, etc. Despite of offering rich information, such data present substantial challenges for clustering due to the curse of dimensionality, degradation of similarity measures, and lack of interpretability. In response, a wide array of methodologies has been developed so far, including subspace clustering, dimension reduction, model-based approaches, and feature selection, etc. More recent advances incorporate regularization techniques and bootstrap-based procedures for estimating the number of clusters. This paper provides a comprehensive overview of contemporary clustering methods tailored for high-dimensional data, critically evaluating their strengths, weaknesses, and applicability. Furthermore, it outlines promising research directions aimed at developing efficient, robust, scalable and interpretable clustering algorithms.