결측 특성을 가진 데이터에 강인한 온라인·배치 학습 알고리즘

**1. 연구 배경 및 동기** 현대 데이터 과학에서 결측 특성은 흔히 발생하는 문제이며, 이를 무시하거나 단순히 평균·최빈값 대체와 같은 전처리 방식에 의존하면 모델 성능이 크게 저하될 수 있다. 기존 연구는 주로 **배치(imputation) 기반** 접근이나 **완전 관측 가정** 하의 온라인 학습에 초점을 맞추었다. 그러나 실제 서비스 환경에서는 데이터가 실시간으로 유입되고, 각 샘플마다 관측 가능한 특성 집합이 달라지는 경우가 많다. 따라서 결측 특성을 동시에 다루는 **온라인**과 **배치** 학습 방법이 필요하다. **2. 온라인 학습 프레임워크** - **문제 정의**: 매 라운드 \(t\)에 관측된 특성 집합 \(\mathcal{O}_t\subseteq