---
type: paper
slug: junghye-lee-2016-gdfs-geometric-distance
title: Feature selection based on geometric distance for high-dimensional data
authors:
  - '[[junghyelee]]'
  - '[[sung-yong-oh]]'
year: 2016
venue: '[[electronics-letters]]'
volume: '52'
issue: '6'
pages: 473-475
doi: 10.1049/el.2015.4172
categories:
  - '[[machine-learning]]'
methods:
  - '[[feature-selection]]'
  - '[[gdfs]]'
themes:
  - '[[high-dimensional-classification]]'
  - '[[geometric-feature-selection]]'
aliases: []
last_updated: '2026-05-20T02:01:15+09:00'
---
# Feature selection based on geometric distance for high-dimensional data

*[[junghyelee]], [[sung-yong-oh]] (2016)* · [[electronics-letters]] 52(6):473-475 · [DOI ↗](https://doi.org/10.1049/el.2015.4172)

> 고차원 데이터의 *클래스 간 기하학적 거리* 를 기반으로 특성 선택하는 *GDFS (Geometric Distance Feature Selection)* 제안. 클래스 평균 거리 + *분포 균등성* 을 maximise. 정보 / 통계적 종속성 기반 방법보다 *빠른 계산* — 빅데이터 실시간 처리에 적합. [[junghyelee]] 의 *실타래 1 (Feature Selection)* 에서 MB 너머의 *기하학적 확장*.

- **RQ**: 고차원 데이터에서 *기하학적 거리* 가 특성 선택의 효율적 기준이 될 수 있는가? 정보 / 통계적 방법 대비 속도-성능 trade-off는?
- **방법론**: GDFS — 클래스 간 기하학적 거리 + 거리 evenness 의 결합 척도
- **데이터**: 고차원 분류 datasets (다양)
- **주요 발견**: (1) GDFS 가 *클래스 평균 거리 + 분포 균등성* 동시 maximise → 분류 정확도 개선. (2) **정보 / 통계 기반 방법 (MI, MRMR, MB) 대비 더 빠름**. (3) 고차원 특성 공간 탐색에 효과적.
- **시사점**: 실시간 빅데이터 처리에 GDFS 활용 가능. *MB 의 이론적 최적성* 과 *기하학적 거리의 계산 효율* 의 *방법론적 분기*.

![고차원 데이터의 기하학적 거리 기반 특성 선택 (GDFS) 알고리즘 구조.](/papers/201603_LeeJH_Feature_selection_based_on_geometric_distance_for_high_dimensional_data/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *1 기 박사 시기* 의 *방법론적 분기* — MB 너머의 특성 선택. POSTECH 전자공학과 [[sung-yong-oh]] 와의 협업. *Electronics Letters* 의 *짧은 letter format* (~3 페이지).

방법론적 핵심: *클래스 간 기하학적 거리* + *분포 균등성* 의 결합 measure. 특성 $f$ 의 score = $\bar{d}_{cls}(f) \cdot \text{Evenness}(d(f))$. 평균이 크면서 *분포가 균등* 한 특성을 우선 선택. 정보 이론 (MI, MRMR) 또는 통계적 종속성 (MB) 기반 방법보다 *계산 가볍다*.

핵심 발견: *비교 실험 (논문에 명시 X — letter format)* 에서 GDFS 가 *속도 우위* + 분류 정확도 경쟁력. 고차원 빅데이터 (마이크로어레이, 텍스트, 이미지) 에서 실시간 처리에 적합.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *1 기의 특성 선택 라인의 분기 (geometric)*, 후속 [[junghye-lee-2020-mixed-mb]] (MB 혼합형) 와 함께 *특성 선택의 다양한 갈래*. 그러나 *MB 의 이론적 최적성* 이 [[junghyelee]] 의 핵심 라인이고 GDFS 는 *implementation* 분기.

## 핵심 결과

| 도구 | 속도 | 정확도 | 적용 |
|---|---|---|---|
| **GDFS** | **빠름** | 경쟁력 | 빅데이터 실시간 |
| MB-IAMB | 느림 | 우수 | 이론적 최적 |
| MRMR / MI | 중간 | 평균 | 일반 |

## 방법론 노트

GDFS score:

$$
\text{Score}(f) = \bar{d}_{\text{class}}(f) \cdot \text{Evenness}(\{d_k(f)\}_{k=1}^K)
$$

$\bar{d}_{\text{class}}(f)$: 특성 $f$ 의 클래스 간 평균 거리 (Euclidean 또는 Mahalanobis).
$\text{Evenness}$: 거리 분포의 균등성 — 한 클래스 pair 에 치우치지 않도록.

식별 가정: (i) 특성 별 *독립 평가* (combinatorial interaction 무시), (ii) class label 의 *기하학적 분리 가능성*, (iii) 거리 메트릭의 적절성.

## 연구 계보

이 paper 는 (i) Fisher (1936) LDA 의 클래스 간 거리 정통, (ii) [[junghye-lee-2015-markov-blanket-classification]] 직접 선행, (iii) Guyon & Elisseeff (2003) 특성 선택 survey 의 분류 — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 1* 의 *기하학적 분기*.

## See also

- [[junghyelee]]
- [[sung-yong-oh]]
- [[feature-selection]]
- [[high-dimensional-classification]]
- [[electronics-letters]]
- [[junghye-lee-2015-markov-blanket-classification]]