허버 기반 강인 시스템 식별: 독립·적대 잡음 모두에 최적 근접

본 논문은 복잡한 물리·공학 시스템의 동적 모델을 데이터 하나만으로 식별해야 하는 현실적인 제약을 다룬다. 시스템은 이산 시간 선형‑비선형 혼합 형태인 x_{t+1}=Ā ϕ(x_t)+w_t 로 표현되며, 여기서 ϕ는 사전에 정의된 비선형 기저 함수, Ā는 추정 대상 행렬이다. 기존 연구는 두 가지 잡음 모델에 각각 특화된 추정기를 사용한다. 영 평균 독립 잡음(예: 열 잡음, 양자화 오류)에는 최소제곱(LS)이 O(1/√T) 수렴률을 보이며 최적이다. 반면 스파스 비영 평균 적대 공격(예: 사이버 공격, 센서 고장)에는 ℓ₁ 손실 기반 추정기가 공격 비율 p<0.5 일 때 정확히 복구한다는 강력한 보장을 제공한다. 그러나 실제 시스템에서는 잡음의 성격을 사전에 알기 어려워 두 방법을 동시에 적용할 수 없는 문제가 있다. 이를 해결하기 위해 저자들은 허버 손실 H_μ(z)를 도입한 새로운 추정기(“허버 추정기”)를 제안한다. 허버 손실은 작은 잔차에 대해 ½z², 큰 잔차에 대해 μ|z|−½μ² 로 정의되어, μ가 크면 LS와 동일하고 μ가 작으면 ℓ₁ 손실에 근접한다. Proposition 1을 통해 허버 추정기는 “LS + μ·ℓ₁ 정규화” 형태의 등가 최적화 문제로 변환될 수 있음을 보이며, 이는 기존 LS와 ℓ₁ 추정기의 장점을 동시에 활용할 수 있음을 의미한다. 이론적 분석은 두 시나리오에 대해 별도 가정을 설정한다. 1) 시스템 안정성(ρL<1)과 ϕ의 Lipschitz 연속성(L)으로 궤적이 발산하지 않음을 보장한다. 2) 모든 w_t와 초기 상태 x_0가 서브가우시안이며, ψ₂-노름이 σ로 제한된다. 3) 기대 여흥(Excitation) 가정: ϕ(x_t)ϕ(x_t)ᵀ가 모든 시점(또는 공격 시점)에서 최소 고유값 λ²를 가진다. 시나리오 1(영 평균 독립 잡음)에서는 추가로 Assumption 4(μ² 구간에 양의 확률 질량 q>0)와 잡음의 대칭성(또는 ϕ가 선형)이라는 조건을 둔다. 이때 Theorem 1은 T가 Ω( n²L⁴σ⁴q²λ⁴(1−ρL)⁴·log²(mn/δ)·… ) 이상이면, 모든 행 i에 대해 ‖Ā_i−Â_i‖₂ = O( μ·√(n)Lσ·√(log n)/√T·(1−ρL)^{-1}·q^{-1}·λ^{-2}) 가 확률 1−δ 로 성립함을 증명한다. 즉, μ가 Assumption 4를 만족하는 최소값이면 O(1/√T) 수렴률을 얻는다. 시나리오 2(스파스 적대 공격)에서는 공격이 Bernoulli(p) 로 발생하고 p<0.5 라는 전제 하에, 공격 시점에도 기대 여흥(Assumption 3b)이 유지된다고 가정한다. Theorem 2는 T가 Ω( (√nLσ)⁴·λ⁴·p·(1−2p)^{-1}·… ) 이상이면, ‖Ā_i−Â_i‖₂ = O( μ·n²L⁴σ⁴·p·(1−2p)^{-1}·λ^{-5}) 가 확률 1−δ 로 보장된다고 제시한다. 이는 ℓ₁ 손실이 공격이 적게 발생하면 정확히 복구한다는 기존 결과와, 허버 손실과 ℓ₁ 손실 사이 차이가 μ·‖v_t‖₁ 이하라는 사실을 이용한 것이다. 두 정리의 결과를 종합하면, μ를 “Assumption 4를 만족하는 최소값”으로 설정하면 영 평균 잡음에서도 최적 O(1/√T) 수렴률을, 적대 공격에서도 O(μ) 수준의 오류 상한을 동시에 달성한다. μ를 너무 크게 잡을 경우 LS와 동일해져 적대 공격에 취약해지고, μ를 0에 가깝게 하면 대칭이 아닌 잡음에서 편향이 발생한다. 따라서 실제 적용 시 μ를 데이터 기반으로 교차 검증하거나, 잡음 분포에 대한 사전 정보가 없을 경우 경험적으로 작은 양의 μ를 선택하고, 필요 시 Assumption 4를 만족하도록 μ를 조정한다. 실험 섹션에서는 제안된 허버 추정기를 SINDy(스파스 식별) 프레임워크에 통합한다. 다양한 베치마크(진동 시스템, 로봇 관절, 전력망 모델)와 잡음·공격 혼합 시나리오에서 LS, ℓ₁, 그리고 허버 추정기의 평균 제곱 오차를 비교한다. 결과는 허버 추정기가 두 극단 상황 모두에서 오류를 크게 감소시키며, 특히 μ를 적절히 선택했을 때 LS와 ℓ₁ 사이의 트레이드오프를 부드럽게 조절한다는 점을 보여준다. 또한, μ를 자동 튜닝하는 간단한 규칙(예: 데이터의 5% 분위수에 해당하는 절대 잔차)도 제안되어 실무 적용성을 높인다. 결론적으로, 이 논문은 허버 손실을 시스템 식별에 적용함으로써 “두 극단 잡음 모델 사이의 연속적 전이”를 이론적으로 증명하고, 실용적인 알고리즘 설계와 파라미터 선택 가이드를 제공한다는 점에서 학술적·실무적 기여가 크다.