지역 적응형 다목표 학습

본 논문은 온라인 학습 환경에서 다중 목표를 동시에 만족하는 예측 모델을 설계·분석한다. 서론에서는 다목표 학습이 보정, 후회, 다중 정확도 등 다양한 응용 분야에서 핵심 역할을 함을 강조하고, 특히 데이터 분포가 시간에 따라 급격히 변하는 현실적인 시나리오에서 기존 최악‑사례 기반 접근법이 지역 적응성을 결여하고 있음을 지적한다. 관련 연구 파트에서는 전통적인 온라인 최적화(Online Convex Optimization), 다목표 학습, 그리고 최근의 지역 보장을 위한 추가 목표 도입 방식을 정리한다. 특히, “Local Guarantees via Sub‑interval Objectives”와 같은 선행 연구가 구간별 손실을 최소화하려 했지만, 구현 복잡도와 실험적 검증이 부족하다는 점을 비판한다. 문제 정의에서는 시간 \(t=1,\dots,T\)에 대해 데이터 \((x_t, y_t)\)가 주어지고, 예측 함수 \(f_t\)가 여러 손실 함수 \(\ell^{(k)}(f_t(x_t), y_t)\) (k=1,…,K)를 동시에 최소화해야 함을 수식화한다. 목표는 전체 손실 \(\sum_{t=1}^T \sum_{k=1}^K \ell^{(k)}_t\)를 최소화함과 동시에, 임의의 연속 구간 \(