지원 벡터 머신의 정성적 강건성

본 논문은 지원 벡터 머신(SVM)의 정성적 강건성을 수학적으로 증명한다. 먼저 서론에서는 통계학에서 회귀와 분류 문제를 비모수적으로 다루는 필요성을 강조하고, SVM이 이러한 비모수적 방법의 대표적인 예임을 소개한다. 기존 연구에서는 SVM의 일관성, 학습률, 그리고 정량적 강건성(예: 최대 바이어스, Hampel 영향 함수) 등에 초점을 맞추었지만, 정성적 강건성에 관한 연구는 아직 부족했다는 점을 지적한다. 두 번째 절에서는 기본 설정을 정리한다. 입력 공간 X는 폴란 공간, 출력 Y는 실수의 폐집합이며, 손실 함수 L:X×Y×ℝ→