예측 프레임워크에서 ε 머신 재구성과 결정 상태

본 논문은 데이터 기반 시스템 분석에서 두 가지 중요한 문제를 동시에 해결한다. 첫 번째는 시스템의 내재적인 동적 구조를 최소한의 상태 집합으로 압축하는 ε‑machine(ε‑머신) 재구성이다. 기존의 CSSR 알고리즘은 문자열 데이터에 특화되어 파라미터 선택이 까다롭고, 연속형 데이터나 고차원 입력에 적용하기 어려웠다. 이를 보완하기 위해 저자들은 REMAPF(Reconstruction of Epsilon Machines in a Predictive Framework) 알고리즘을 제안한다. REMAPF는 (1) 과거‑미래 쌍을 추출하고, (2) 조건부 미래 분포 P(Z|x)를 비파라메트릭 혹은 파라메트릭 방법으로 추정하며, (3) KL‑다이버전스, JS‑다이버전스, 혹은 기타 거리 측정을 이용해 상태를 분할·병합한다. 클러스터링 기준은 사용자가 자유롭게 선택할 수 있어, 이산·연속 데이터 모두에 적용 가능하다. 또한, 알고리즘은 상태 전이 확률을 직접 추정함으로써 ε‑머신의 전이 행렬을 구성한다. 두 번째 핵심은 ‘결정 상태(decisional states)’라는 새로운 추상화이다. 시스템을 관찰하고 예측을 수행하는 과정에서 사용자는 특정 효용 함수 U(y, z)를 정의한다. 여기서 y는 예측값, z는 실제 미래값이며, U는 두 값 사이의 가치·비용을 정량화한다. 논문은 기대 효용 E