무작위 워크에서의 k 정언(주타) 적응적 학습

1. **연구 배경 및 동기** - 전통적인 지도 학습은 독립적인 라벨링된 샘플을 가정하지만, 실제 시스템에서는 상태가 시간에 따라 점진적으로 변하고 라벨도 연속적으로 관측된다. 이러한 현상을 모델링하기 위해 하이퍼큐브 위의 무작위 워크(Random Walk) 모델이 제안되었다. - 무작위 워크는 멤버십 질의보다 제한적이면서도 균등 샘플링보다 강력한 학습 환경을 제공한다. 기존 연구에서는 DNF, 파리티 함수 등 특정 클래스가 무작위 워크에서 효율적으로 학습 가능함을 보였지만, 아고니스틱(agnostic) 잡음 모델까지는 다루지 못했다. 2. **문제 정의** - 입력 공간는 {−1,+1}ⁿ이며, 목표 클래스 C는 k‑주타, 즉 입력 변수 중 최대 k개만 의존하는 부울 함수들의 집합이다. - 임의의 라벨 함수 f:{−1,+1}ⁿ→{−1,+1}에 대해, opt_C(f)=min_{g∈C}Pr