본 논문은 기하학적 정보 기반 머신러닝 알고리즘에 필수적인 평균 곡률 계산의 효율성을 높이는 방법을 제시합니다. 기존 방식은 특징이 수십 개 이상인 데이터셋에서 계산 비용이 매우 높았어요.
연구진은 대수적 항등식과 truncated SVD를 활용하여 계산 비용을 $O(m^2)$로 줄이는 새로운 방법을 개발했어요. 이를 통해 기존 방식 대비 50~300배의 속도 향상을 달성했어요.
새로운 방법은 평균 곡률 추정 비용을 $O(k^2 m + k m p^2)$로 줄여, 다양한 머신러닝 작업에서 기하학적 특징으로 활용 가능성을 높였어요.
실험 결과, 빠른 추정기를 사용해도 기존 방식과 비교하여 손실이 미미한 것으로 확인되었으며, 고전 머신러닝부터 최신 딥러닝 파이프라인까지 적용할 수 있을 것으로 기대돼요.