수를 수동으로 설정하지 않으면 오분류가 발생하기 쉽습니다( 그림 S4 참조 ). 두 방법 모두 IC 기반 선택을 사용하는 GMM보다 계산 속도가 느립니다. 전반적으로 IC 메트릭을 사용하는 GMM은 모집단 수에 대한 사전 지식 없이도 SMS 데이터 세트를 보다 신뢰할 수 있고 객관적이며 효율적으로 클러스터링합니다.
클러스터링 알고리즘은 클러스터가 물리적으로 의미 있는 상태에 해당하는지 여부를 평가하지 않고, 단순히 국소적으로 밀도가 높은 영역을 기반으로 데이터를 분할한다는 점에 유의해야 합니다. 이 프로토콜은 데이터를 가우시안 혼합 모델로 표현하며, 최적의 클러스터 개수는 적합도, 모델 복잡성, 분류 불확실성의 균형을 맞추는 여러 IC 지표(AIC, BIC, ICL)를 사용하여 결정합니다. 일반적으로 SMS 데이터 세트는 고유한 노이즈와 측정 불확실성으로 인해 IC 점수 플롯에서 단일 단조 추세보다는 여러 개의 변곡점이 나타나는 경우가 많습니다. 전역 최소값이 통계적으로 가장 적합한 결과를 제공하지만, 실험 데이터 세트에서는 비현실적으로 높은 클러스터 개수로 이어져 과도한 분할을 초래하고 물리적 해석 가능성을 저해할 수 있습니다(예: 그림 5E , 5F, 6D , 6E 참조). 클러스터링 알고리즘은 관련 IC 이득과 플롯에서의 급경사 하강법을 기반으로 최적의 후보를 자동으로 결정함으로써 주관성을 상당 부분 제거합니다. 모호성을 더욱 완화하기 위해, 평균 클러스터 밀집도와 FO(Focus of Information)와 같은 보조 클러스터 품질 지표를 IC 점수와 함께 평가합니다.