하이퍼스파스 최적 집합합성

본 논문은 “하이퍼스파스 최적 집합합성”이라는 새로운 개념을 도입하고, 사전 사전 함수 집합 F = {f₁,…,f_M}에 대해 가능한 최소한의 비영 계수만을 사용해 최적의 집합합성을 구현한다. 전통적인 집합합성 방법은 지수 가중치(ACEW, AEW)를 사용해 모든 함수에 양의 가중치를 부여하지만, 이는 실제로는 희소성을 보장하지 못한다. 저자들은 이 문제를 해결하기 위해 두 단계의 알고리즘을 설계한다. 첫 번째 단계는 데이터 샘플을 절반으로 나누어 첫 번째 절반 Dₙ,₁을 이용해 사전 선택 집합 𝔽₁을 정의한다. 여기서는 경험 위험 Rₙ,₁(f)와 기준 함수 f̂₁ = argmin_{f∈F} Rₙ,₁(f) 사이의 거리 ‖f‑f̂₁‖ₙ,₁를 이용해 임계값 φ = b·√(log M / n) + x/n (또는 서브가우시안 경우 (σ+ b)·√(log M + x)·log n / n) 을 정의하고, Rₙ,₁(f) ≤ Rₙ,₁(f̂₁) + c·max{φ‖f̂₁‑f‖ₙ,₁, φ²} 를 만족하는 함수만을 𝔽₁에 포함한다. 이 과정은 불필요한 함수들을 효과적으로 제외시켜 𝔽₁의 크기를 O(log M) 수준으로 제한한다. 두 번째 단계에서는 남은 데이터 Dₙ,₂를 사용해 𝔽₁의 **convex hull**, **segment**, 혹은 **star** 형태 중 하나를 선택한다. 특히 **star** 형태는 𝔽 = star(f̂₁, 𝔽₁) = {λf̂₁ + (1‑λ)f : f∈𝔽₁, λ∈