본 논문은 고차원 표 데이터의 이상치 탐지를 위한 새로운 이론적 틀인 근시안적 부분 공간 이론(MST)과 이를 기반으로 한 생성 모델 V-GAN을 제시합니다. 고차원 데이터는 여러 저차원 부분 공간에 분포하는 다중 뷰 효과(MV)를 나타내는데, 기존의 부분 공간 선택 방법들은 이 효과를 정확히 이해하지 못하고 휴리스틱 기반의 탐색에 의존하여 성능이 저하되었습니다. MST는 MV 효과를 수학적으로 공식화하고 부분 공간 선택을 확률적 최적화 문제로 정의합니다. V-GAN은 이 최적화 문제를 푸는 생성 모델로, 특징 공간 전체를 탐색하지 않고 데이터의 내재적 구조를 보존합니다. 실험 결과, 42개의 실제 데이터셋에서 V-GAN을 이용한 앙상블 방법이 기존의 부분 공간 선택, 특징 선택, 임베딩 방법보다 일종 분류 성능을 크게 향상시켰으며, 합성 데이터 실험에서도 다른 방법보다 부분 공간을 더 정확하게 식별하고 확장성이 뛰어남을 보였습니다.
