📊 statistics

Projection depth for functional data: Practical issues, computation and applications

이 논문은 함수형 데이터의 복잡한 형태 특징을 반영하는 의미 있는 순서 구조를 제공하며, 이상치 탐지, 분류, 두 표본 가설 검정 등 다양한 통계적 응용 분야에서 기존 방법보다 우수한 성능을 보이는 정규화 투영 깊이 (RPD) 의 매개변수 선택, 효율적인 계산 방법, 그리고 실제 적용 가능성을 이론적 근거와 수치적 연구를 통해 종합적으로 검증합니다.

원저자: Filip Bočinec, Stanislav Nagy, Hyemin Yeon

게시일 2026-02-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Filip Bočinec, Stanislav Nagy, Hyemin Yeon

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"함수 데이터 (Functional Data)"**라는 조금은 생소한 개념을 다루고 있습니다. 쉽게 말해, 단순히 숫자 하나를 기록하는 것이 아니라, 시간이 흐름에 따라 변하는 곡선이나 그래프 전체를 데이터로 분석하는 방법입니다. (예: 하루 종일 심박수 변화 그래프, 주식 시세 곡선, 뇌파 신호 등)

이 논문은 이런 복잡한 곡선 데이터 속에서 **"가장 중심에 있는 정상적인 곡선"**을 찾고, **"이상치 (비정상적인 곡선)"**를 찾아내는 새로운 도구인 **RPD (정규화된 투영 깊이)**를 소개하고 그 실용성을 검증합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

1. 배경: 왜 이 연구가 필요한가요? (복잡한 곡선들의 군중)

상상해 보세요. 거대한 운동장에 수백 명의 사람들이 모여 있습니다. 하지만 이들은 서 있는 것이 아니라, 각자 자신만의 춤을 추고 있습니다.

어떤 사람은 팔을 크게 흔들며 춤을 춥니다.
어떤 사람은 발만 빠르게 움직입니다.
어떤 사람은 전체적으로 춤의 높낮이가 다릅니다.

이제 우리는 **"가장 전형적인 춤"**을 찾아내거나, **"무언가 이상하게 춤추는 사람 (이상치)"**을 찾아내야 합니다.

기존의 통계 방법들은 주로 "사람의 키"나 "몸무게" 같은 단순한 숫자만 보고 판단했습니다. 하지만 춤은 곡선 (형태) 이 중요하죠. 키가 비슷해도 춤의 형태가 다르면 완전히 다른 사람입니다. 기존 방법들은 이 '춤의 형태'를 제대로 구별하지 못해, 이상한 춤을 추는 사람을 정상인으로 오인하거나, 반대로 정상적인 춤을 추는 사람을 이상한 사람으로 잘못 판단하는 경우가 많았습니다.

2. 새로운 도구: RPD (정규화된 투영 깊이)

이 논문에서 제안하는 RPD는 이 복잡한 춤들을 구별하기 위한 **새로운 '스마트 안경'**과 같습니다.

기존 방법의 문제점: 기존 안경은 춤을 볼 때, 단순히 "팔을 얼마나 높게 들었나?" (수직적인 높이) 만 보았습니다. 그래서 팔을 높게 들지만 전체적인 춤의 흐름은 정상인 사람과, 팔은 낮지만 춤의 리듬이 완전히 엉망인 사람을 구별하지 못했습니다.
RPD 의 특징: RPD 안경은 춤을 볼 때 **다양한 각도 (투영)**에서 바라봅니다. 마치 360 도 회전하며 춤을 관찰하듯, "이 춤의 특정 부분에서 얼마나 튀어 보이는가?"를 계산합니다.
- 정규화 (Regularization): 하지만 모든 각도를 다 보면 너무 복잡해지고 계산이 꼬일 수 있습니다. 그래서 RPD 는 "가장 중요한 각도들만 골라서" 보는 지혜를 발휘합니다. 이것이 '정규화'입니다.

3. 핵심 기술: "튜닝 파라미터 (u)"라는 조절 다이얼

이 안경에는 u 라는 조절 다이얼이 있습니다. 이 다이얼을 어떻게 돌리느냐에 따라 안경의 성질이 바뀝니다.

u 를 아주 작게 (0.001) 설정할 때:
- 비유: 안경이 초고해상도 카메라가 됩니다. 아주 미세한 이상한 춤 동작 하나하나도 놓치지 않고 찾아냅니다.
- 용도: 이상치 탐지 (Outlier Detection). "누가 춤을 엉망으로 추고 있나?"를 찾을 때 가장 좋습니다. 논문 실험 결과, 이 설정으로 복잡한 형태의 이상한 춤을 거의 완벽하게 찾아냈습니다.
u 를 크게 (0.1~0.5) 설정할 때:
- 비유: 안경이 흐릿하게 보이는 안경이 됩니다. 아주 사소한 이상한 점은 무시하고, 전체적인 흐름 (중심) 만 봅니다.
- 용도: 강건한 평균 찾기 (Robust Location Estimation). "이 춤들의 일반적인 스타일은 무엇인가?"를 찾을 때 좋습니다. 이상한 춤이 섞여 있어도 전체적인 중심을 흔들리지 않게 잡아줍니다.

4. 실전 테스트: RPD 가 얼마나 잘하나?

저자들은 이 안경을 네 가지 주요 상황에서 테스트했습니다.

이상치 찾기 (Outlier Detection):
- 상황: 500 명 중 50 명은 엉뚱한 춤을 춥니다.
- 결과: 기존 방법들은 "춤의 높이"만 보고 실수했습니다. 하지만 RPD 는 춤의 '형태'를 보고 이상한 춤을 거의 완벽하게 찾아냈습니다. 특히 춤의 리듬이나 모양이 완전히 다른 경우 (예: 중앙에 갑자기 튀어나온 춤) 에는 다른 방법들은 아예 못 찾았지만, RPD 는 척척 찾아냈습니다.
분류 (Classification):
- 상황: 두 그룹의 춤을 구분해야 합니다. (그룹 A 는 팔을 크게, 그룹 B 는 발을 빠르게)
- 결과: RPD 를 사용하면 두 그룹이 명확하게 나뉘어 보였습니다. 다른 방법들은 두 그룹이 뒤섞여 구분이 안 갔는데, RPD 는 "이 춤은 A 그룹 스타일, 저 춤은 B 그룹 스타일"이라고 정확히 분류했습니다.
가설 검정 (Hypothesis Testing):
- 상황: 두 그룹의 춤이 정말로 다른지 통계적으로 증명해야 합니다.
- 결과: RPD 를 사용한 검정은 오차가 거의 없이 정확한 결론을 내렸습니다. 다른 방법들은 너무 민감하거나 둔해서 잘못된 결론을 내는 경우가 많았습니다.
강건한 평균 추정 (Robust Estimation):
- 상황: 엉뚱한 춤이 섞여 있어도 "진짜 평균 춤"을 찾아야 합니다.
- 결과: RPD 는 엉뚱한 춤이 섞여 있어도 중심을 잘 잡았습니다. 특히 u 를 크게 설정했을 때, 아주 큰 오류 (예: 춤을 1000 배 크게 추는 사람) 가 섞여 있어도 중심을 잃지 않았습니다.

5. 결론: 왜 이 연구가 중요한가요?

이 논문은 **"복잡한 곡선 데이터 (함수 데이터) 를 다룰 때는, 단순히 높이만 보는 게 아니라, 다양한 각도에서 춤의 형태를 파악해야 한다"**는 것을 증명했습니다.

핵심 메시지: 우리는 이제 RPD라는 도구를 통해, 데이터의 **형태 (Shape)**에 숨겨진 중요한 특징들을 놓치지 않고 찾아낼 수 있게 되었습니다.
실용성: 이 도구는 이상치 찾기, 분류, 평균 찾기 등 다양한 통계 작업에서 기존 방법들보다 훨씬 뛰어나게 작동합니다. 특히 데이터의 모양이 복잡할 때 그 진가를 발휘합니다.

한 줄 요약:

"수많은 곡선 데이터 속에서 가장 중심이 되는 정상적인 곡선을 찾고, 비정상적인 곡선을 찾아내는 새로운 **스마트 안경 (RPD)**을 개발했습니다. 이 안경은 **조절 다이얼 (u)**을 돌려 상황에 맞게 미세한 이상점을 찾거나 전체적인 흐름을 잡을 수 있어, 기존 방법들보다 훨씬 정확하고 강력합니다."

1. 연구 배경 및 문제 제기 (Problem)

함수형 데이터의 복잡성: 함수형 데이터 (Functional Data) 는 무한 차원의 구조를 가지며, 단순한 위치 (magnitude) 차이뿐만 아니라 형태 (shape), 위상 (phase), 진동수 등 복잡한 패턴을 보입니다.
기존 깊이 (Depth) 함수의 한계: 기존의 다변량 깊이 함수 (예: Halfspace, Band, Spherical depth 등) 를 함수형 데이터로 확장한 방법들은 주로 점별 (pointwise) 수직 편차에 의존합니다. 이로 인해 데이터의 전체적인 형태적 특징 (shape features) 을 포착하는 데 한계가 있으며, 특히 중심부에는 위치하지만 형태가 다른 이상치 (shape outliers) 를 탐지하거나 분류하는 데 비효율적입니다.
규제된 투영 깊이 (RPD) 의 실용성 부재: Bočinec et al. (2026) 이 제안한 규제된 투영 깊이 (Regularized Projection Depth, RPD) 는 무한 차원 힐베르트 공간에서 잘 정의된 깊이를 제공하며 이론적 성질 (비퇴화성, 일관성 등) 을 갖지만, 실제 적용을 위한 매개변수 선택, 효율적인 계산 알고리즘, 그리고 다양한 통계적 작업에서의 성능에 대한 실증적 연구가 부족했습니다.

2. 방법론 (Methodology)

2.1. 규제된 투영 깊이 (RPD) 의 정의 및 매개변수 선택

기본 개념: RPD 는 투영 추적 (Projection Pursuit) 과 Stahel-Donoho 이상성 (outlyingness) 개념을 기반으로 합니다. 방향 $v$ 에 대한 투영의 중앙값과 MAD(Median Absolute Deviation) 를 이용해 이상성을 측정합니다.
규제 (Regularization): 무한 차원 공간에서 최대 이상성은 발산할 수 있어 깊이가 0 이 되는 문제가 발생합니다. 이를 해결하기 위해 $MAD[\langle X, v \rangle] \ge \beta$ 를 만족하는 방향 집합 $V_\beta$ 만 고려하여 깊이를 정의합니다.
데이터 적응형 매개변수 선택 ( $\beta$ ): 고정된 $\beta$ $β$ 대신, 무작위 투영된 $MAD $값의 **$ $값의 * *$ u$-분위수 (quantile)** 를 $\beta$ $β$ 로 선택하는 전략을 제안합니다.
- $u \in (0, 1)$ : $u$ 가 작을수록 (예: 0.001) 약한 규제 (더 많은 방향 포함) 로 형태에 민감해지고, $u$ 가 클수록 강한 규제로 중심 추정에 강건해집니다.
- 이 선택은 RPD 의 이론적 성질 (비퇴화성, 일관성) 을 유지하면서도 데이터의 특성에 맞춰 적응적으로 작동합니다.

2.2. 확률적 근사 알고리즘 (Stochastic Approximation)

계산의 어려움: 무한 차원 공간에서 모든 방향에 대한 infimum 을 직접 계산하는 것은 불가능합니다.
해결책: Dyckerhoff (2004) 의 아이디어를 차용하여, $V(u)$ 에서 무작위로 추출된 $M$ 개의 방향에 대해 이상성을 계산하고 그 중 최솟값을 취하는 확률적 근사 알고리즘을 제안합니다.
수렴성: 추출된 방향의 수 ( $M$ ) 가 증가함에 따라 근사된 RPD 가 이론적 RPD 로 거의 확실하게 (almost surely) 수렴함이 증명되었습니다.
구현: C++ (RcppArmadillo) 를 활용한 효율적인 R 패키지로 구현되었습니다.

3. 주요 기여 (Key Contributions)

이론적 확장: 고정된 $\beta$ 에 대한 기존 이론을 데이터 기반의 분위수 $\beta(u)$ 선택으로 확장하여, 일관성 (Consistency) 과 강건성 (Robustness, breakdown point = 1/2) 을 유지함을 증명했습니다.
효율적 계산 프레임워크: 함수형 데이터의 고차원성 문제를 해결하기 위한 실용적인 확률적 근사 알고리즘을 개발하고 그 수렴성을 이론적으로 뒷받침했습니다.
포괄적인 실증 분석: 이상치 탐지, 분류, 가설 검정, 강건한 위치 추정 등 4 가지 주요 통계 작업에 대해 RPD 를 기존 깊이 함수 (RHD, FD, MBD, ID, SD 등) 와 비교 평가했습니다.

4. 실험 결과 (Results)

4.1. 이상치 탐지 (Outlier Detection)

형태 이상치 (Shape Outliers): 위치나 진폭 변화가 아닌 형태 (shape) 만이 다른 이상치 (예: 주파수 변화, 중앙부 형태 왜곡) 를 탐지하는 데 있어 RPD 가 압도적으로 우수했습니다.
성능: 특히 $u=0.001$ 로 설정 시, 다른 깊이 함수들이 거의 무효한 경우에도 RPD 는 이상치를 거의 완벽하게 탐지했습니다. 반면, 기존 방법들은 점별 편차에 의존하여 형태적 이상치를 놓치는 경향이 있었습니다.

4.2. 분류 (Classification)

DD-plot 기반 분류: RPD 를 사용하여 생성된 DD-plot (Depth-Depth plot) 은 복잡한 형태 차이를 가진 두 그룹을 선형 분류기로도 완벽하게 분리할 수 있었습니다.
오분류율: 형태 차이가 큰 모델 (C2, C3) 에서 RPD 기반 분류기는 다른 모든 방법보다 현저히 낮은 오분류율을 기록했습니다.

4.3. 가설 검정 (Hypothesis Testing)

크루스칼 - 월리스 (Kruskal-Wallis) 검정: RPD 기반 순위 검정은 두 분포의 동질성을 검정할 때 정확한 크기 (size, Type I error) 를 유지했습니다.
비교: 다른 깊이 함수 기반 검정들은 명목 수준 (5%) 을 크게 초과하는 과도한 검정 (oversized tests) 을 보였으나, RPD 는 형태 차이 (Shape difference) 를 민감하게 포착하여 높은 검정력 (power) 을 보여주었습니다.

4.4. 강건한 위치 추정 (Robust Location Estimation)

강건성: 오염 (contamination) 이 있는 데이터에서 RPD 기반 중앙값 (deepest curve) 은 다른 방법들보다 분산 (Variance) 측면에서 더 우수한 성능을 보였습니다.
매개변수 $u$ 의 역할:
- 이상치 탐지/분류: 작은 $u$ (예: 0.001) 사용 권장 (형태 민감도 높음).
- 위치 추정: 큰 $u$ (예: 0.5) 사용 권장 (강건성 증대).
대규모 시프트: 매우 큰 위치 시프트가 있는 경우, RHD 는 비강건한 공분산 추정으로 인해 성능이 급격히 저하되었으나, RPD 는 MAD 를 사용하여 강건성을 유지했습니다.

5. 의의 및 결론 (Significance)

형태 특징의 포착: RPD 는 함수형 데이터 분석에서 기존 방법들이 간과했던 형태적 특징 (shape features) 을 효과적으로 포착할 수 있음을 입증했습니다. 이는 함수형 데이터의 복잡성을 다루는 데 있어 혁신적인 접근법입니다.
실용적 유용성: 이론적으로만 존재하던 투영 깊이를 실제 데이터에 적용 가능한 계산 알고리즘과 매개변수 선택 전략을 통해 실용화했습니다.
범용성: 이상치 탐지, 분류, 검정, 추정 등 다양한 통계적 작업에서 일관되게 우수한 성능을 보이며, 특히 형태적 차이가 중요한 문제 해결에 필수적인 도구로 자리 잡을 것으로 기대됩니다.

결론적으로, 이 논문은 함수형 데이터 분석을 위한 새로운 표준 도구로서 RPD 의 실용적 가치를 입증하고, 적절한 규제 매개변수 ( $u$ ) 선택을 통해 데이터의 특성에 맞춰 유연하게 적용할 수 있음을 보여주었습니다.