유리함수 회귀를 위한 최적 설계와 다목적 최적화 기법

초록

본 논문은 다항식·유리함수 형태의 회귀모형과 이질분산 가중함수를 포함한 모델에 대해 D‑, E‑, A‑, Φp‑최적 설계를 통합적으로 구하는 새로운 수치적 방법을 제시한다. 최적 설계의 지원점은 특정 다항식의 근으로 표현되며, 제안된 최적화 모델은 이론적 효율성 보장을 갖는다. 선형·비선형 모델, 강인 설계, 삼각함수 회귀까지 확장 가능하며, 최소 지원점 개수에 대한 상한도 도출한다.

상세 요약

이 연구는 회귀분석에서 실험 설계(optimal design)의 핵심 문제를 ‘다항식·유리함수 회귀’라는 넓은 범주로 일반화한다는 점에서 의미가 크다. 기존 최적 설계 이론은 주로 선형 모델에 국한되었으며, 비선형 혹은 이질분산(heteroscedastic) 상황에서는 근사적 방법이나 전용 알고리즘에 의존했다. 저자들은 이러한 한계를 극복하기 위해 ‘지원점이 다항식의 근이라는 구조’를 이용한다. 구체적으로, 주어진 최적화 기준(D‑optimal, E‑optimal, A‑optimal, Φp‑optimal)을 하나의 수학적 모델에 통합하고, 이 모델을 반정수 선형계획법 혹은 반볼록 최적화 형태로 정식화한다. 핵심은 최적 설계의 정보행렬을 가중 다항식·유리함수 형태로 표현하고, 그 행렬식·특잇값·추적 등을 목표함수에 삽입함으로써 기존의 ‘곡선 적합’ 문제를 ‘다항식 근 찾기’ 문제로 변환한다는 점이다.

알고리즘적으로는 상용 수치 최적화 솔버(예: interior‑point, semidefinite programming)와 결합해 전역 최적해에 근접하는 해를 빠르게 도출한다. 특히, 이론적 복잡도 분석을 통해 ‘다항식 차수가 n이면 지원점의 최대 개수는 n+1’이라는 상한을 증명하고, 실제 구현에서는 차수가 30을 넘어가는 고차 다항식에서도 수밀도와 안정성을 유지한다는 실험 결과를 제시한다.

비선형 회귀 모델에 대한 로컬 최적 설계는 ‘선형화’ 단계에서 야기되는 근사오차를 최소화하도록 설계 변수(초기 파라미터)를 포함시켜 확장한다. 강인 설계(robust design)에서는 파라미터 불확실성을 확률분포 혹은 구간으로 모델링하고, 최적화 목표에 최악 경우(min‑max) 혹은 평균 위험(mean‑risk)을 포함시켜 다목적 최적화를 수행한다. 삼각함수 회귀에 대해서는 유리함수 형태를 복소수 평면으로 확장함으로써 기존 실수 기반 설계와 차별화된 해를 제공한다.

이 논문의 가장 큰 공헌은 ‘통합 최적화 모델 → 다항식 근 → 최적 설계 지원점’이라는 일련의 흐름을 수학적으로 엄밀히 증명하고, 이를 실제 소프트웨어 구현에 적용할 수 있는 수준으로 최적화했다는 점이다. 따라서 실험 설계 소프트웨어 개발자는 기존의 전용 알고리즘을 대체하거나 보완하는 형태로 이 프레임워크를 도입함으로써, 다양한 회귀 모델에 대해 일관된 최적 설계 절차를 제공받을 수 있다.