본 논문은 기존의 다중 커널 클러스터링 알고리즘(예: 다중 커널 K-means)이 복잡한 데이터 분포에서 계산 효율성과 강건성 문제를 겪는다는 점을 지적합니다. 이러한 문제는 점과 점 사이의 관계에 의존하는 최적화 방식으로 인해 데이터 집합의 고유 구조와 다양성을 정확하게 포착하는 데 어려움을 겪기 때문입니다. 또한, 다중 커널 간의 복잡한 상호 작용은 이러한 문제를 더욱 악화시켜 고차원 공간에서 데이터 포인트를 클러스터링하는 능력에 영향을 미칩니다. 본 논문에서는 과립 볼(granular-ball) 컴퓨팅을 활용하여 다중 커널 클러스터링 프레임워크를 개선합니다. 과립 볼 컴퓨팅의 핵심은 거친 수준에서 허용 가능한 수준까지 볼을 사용하여 데이터 분포에 적응적으로 맞추는 것입니다. 각 볼은 밀도 일관성 측정을 기반으로 데이터 포인트를 둘러쌀 수 있습니다. 이러한 볼 기반 데이터 설명은 계산 효율성과 알려지지 않은 노이즈에 대한 강건성을 향상시킵니다. 구체적으로, 과립 볼 표현을 기반으로 과립 볼 커널(GBK)과 그에 해당하는 과립 볼 다중 커널 K-means 프레임워크(GB-MKKM)를 효율적인 클러스터링을 위해 제안합니다. 다중 커널 공간에서 과립 볼 관계를 사용하여 제안된 GB-MKKM 프레임워크는 다양한 클러스터링 작업의 실증적 평가에서 효율성과 클러스터링 성능의 우수성을 보여줍니다.
