고차원 데이터의 시각적 군집화, SOM(Self Organizing Map)의 체계적 분석

 

1. SOM(Self Organizing Map)의 개요

가. SOM의 정의

• 인공신경망의 한 종류로, 입력 패턴의 속성을 보존하면서 고차원 데이터를 **2차원 평면(Map)**에 유사한 것끼리 가깝게 배치하여 시각화하고 군집화하는 비지도 학습(Unsupervised Learning) 기법입니다.

• 핀란드의 테우보 코호넨(Teuvo Kohonen) 교수가 제안하여 '코호넨 맵'이라고도 불립니다.

나. SOM의 주요 특징

1. 차원 축소 및 시각화: 복잡한 고차원 데이터를 2차원 지도로 표현하여 직관적 이해 가능.

2. 비지도 학습: 목표값(Label) 없이 입력 데이터의 통계적 특성만으로 자율적인 학습 수행.

3. 위상 보존(Topology Preserving): 입력 공간에서 가까운 데이터는 출력 맵에서도 가깝게 배치됨.

4. 경쟁 학습(Competitive Learning): 입력 벡터와 가장 유사한 가중치를 가진 뉴런 하나만 승리자로 선택(Winner-Take-All).

---

2. SOM의 구성요소 및 동작 원리

SOM은 입력층과 출력층(경쟁층)으로 구성된 단순한 2층 구조를 가집니다.

구성요소	세부 내용	역할
입력층 (Input Layer)	$n$차원의 입력 벡터 ($X$)	학습 데이터를 신경망에 전달
출력층 (Competitive Layer)	2차원의 격자(Lattice) 구조 뉴런	데이터가 투영되는 결과 지도 (Map)
연결 강도 (Weights)	입력 뉴런과 출력 뉴런 간의 가중치	각 뉴런이 대표하는 위치 벡터 ($W$)
승리 뉴런 (BMU)	Best Matching Unit	입력 벡터와 유클리드 거리가 가장 가까운 뉴런
이웃 함수 (Neighborhood)	BMU 주변 뉴런들의 범위를 결정	승리 뉴런 주변의 가중치도 함께 업데이트하여 위상 보존

---

3. SOM과 일반 신경망(Back-propagation 등) 분석기법의 차이점

SOM은 일반적인 인공신경망(ANN)과 학습 방식 및 목적에서 뚜렷한 차이를 보입니다.

비교 항목	SOM (Self Organizing Map)	일반 신경망 (예: MLP, CNN 등)
학습 방식	비지도 학습 (Unsupervised)	지도 학습 (Supervised)
주요 목적	군집화(Clustering), 시각화, 차원 축소	분류(Classification), 회귀(Regression)
연결 구조	전결합층(2층 구조)	다층 구조 (Hidden Layers 존재)
알고리즘	경쟁 학습 (Winner-Take-All)	오차 역전파 (Back-propagation)
오차 수정	승리 뉴런과 이웃의 가중치만 조정	모든 층의 가중치를 에러 기반으로 수정
데이터 활용	정답(Label)이 없는 탐색적 데이터 분석	정답이 있는 예측 모델링

---

4. SOM의 학습 프로세스 (Step-by-Step)

1. 가중치 초기화: 모든 출력 뉴런의 가중치($W$)를 작은 무작위 값으로 초기화.

2. 승리 뉴런(BMU) 탐색: 입력 벡터($X$)와 가중치 벡터($W$) 간의 거리가 가장 짧은 뉴런 선택.

   $$dist = \sqrt{\sum (X_i - W_i)^2}$$

3. 가중치 업데이트: BMU와 그 이웃 뉴런들의 가중치를 입력 벡터 방향으로 이동.

   $$W_{new} = W_{old} + \alpha(t) \times L(t) \times (X - W_{old})$$

   (단, $\alpha$: 학습률, $L$: 이웃 함수)

4. 반복: 학습률과 이웃 범위를 점차 줄여가며 전체 데이터를 반복 학습하여 수렴.

---

5. 기술사적 제언: SOM의 활용 및 한계 극복

• 활용 사례: 대규모 고객 세분화(Segmentation), 유전자 패턴 분석, 텍스트 마이닝의 키워드 맵 구축 등 데이터의 특징을 시각적으로 파악해야 하는 영역에서 강점을 가집니다.

• 한계 및 대응:

  1. 초기값 민감도: 초기 가중치 설정에 따라 결과가 달라질 수 있으므로 반복 수행이 필요합니다.

  2. 격자 크기 결정: 맵의 크기($X \times Y$)를 사전에 정해야 하므로, 데이터의 밀도를 고려한 최적의 노드 수 산정 기법이 요구됩니다.

  3. 심화 기술 연계: 고차원의 비정형 데이터 분석 시, **차원 축소(PCA)**를 선행하거나 Deep Learning 기반의 특징 추출 이후 SOM을 적용하는 하이브리드 아키텍처가 실무적으로 효과적입니다.