연속 논리 연결자를 이용한 함수 클래스 합성의 Fat Shattering 차원 한계

초록

본 논문은 PAC 학습 이론에서 연속 논리 연결자(u:

상세 분석

이 연구는 통계학습 이론의 두 핵심 복합도 측정인 VC 차원과 Fat Shattering 차원을 명확히 구분하고, 특히 후자를 함수 클래스의 합성 연산에 적용하는 데 초점을 맞춘다. 기존 문헌(Vidyasagar, 1997)에서는 연속 논리 연결자를 통해 만든 합성 클래스가 각 구성 클래스가 유한한 Fat Shattering 차원을 가질 경우에도 유한함을 증명했지만, 구체적인 상한식은 제시되지 않았다. 논문은 이를 메인 결과로 삼아, 다음과 같은 기술적 흐름을 전개한다.

1. 기본 정의와 배경: PAC 모델, 개념 클래스와 함수 클래스, VC 차원, Fat Shattering 차원, Sauer’s Lemma 등을 체계적으로 정리한다. 특히 Fat Shattering 차원의 정의를 ε‑샤터링을 통한 실수값 함수의 복잡도 측정으로 제시하고, 이를 통해 함수 클래스의 분포‑자유 PAC 학습 가능성을 설명한다.

2. 연속 논리 연결자와 합성 클래스: u: