학생 t 프로세스, 가우시안 프로세스를 넘어서는 새로운 비모수 모델

본 논문은 비모수 베이지안 회귀에서 널리 사용되는 가우시안 프로세스(GP)의 한계를 보완하기 위해 학생 t 프로세스(TP)를 체계적으로 연구한다. 먼저 역위시트 분포(IW)의 정의와 성질을 소개하고, 이를 입력 공간 전반에 걸쳐 정의된 역위시트 프로세스(IWP)로 확장한다. IWP는 파라미터 ν와 기본 커널 k에 의해 완전히 지정되며, 모든 차원의 부분행렬에 대해 일관된 IW 분포를 유지한다는 장점을 가진다. 이러한 IWP를 GP의 커널에 대한 사전으로 두면, 계층적 모델 σ ∼ IWP(ν,k) y | σ ∼ GP(φ,(ν−2)σ) 이 형성된다. 역위시트가 공분산에 대한 공액 사전이므로 σ를 적분하면 y는 다변량 학생 t 분포(MVT)로 변환된다. 논문은 이 과정을 통해 TP의 주변가능도와 예측분포를 폐쇄형으로 유도하고, 자유도 ν에 따라 꼬리 두께와 데이터 의존성을 조절할 수 있음을 보인다. 특히, TP의 예측 공분산은 β₁=(y₁−φ₁)ᵀK₁₁⁻¹(y₁−φ₁)이라는 스케일링 팩터에 의해 관측값에 직접 의존한다. 이는 GP에서는 불가능한 특성으로, 관측값이 평균에서 크게 벗어나면 예측 불확실성이 자동으로 확대되어 변동성 변화나 구조적 전이(change‑point)에 강건한 추론을 가능하게 한다. 논문은 또한 IWP를 역감마 사전과 연결시키는 새로운 샘플링 방법을 제시해, 기존 계층적 GP 모델과 TP 사이의 동등성을 직관적으로 설명한다. 이론적 분석을 바탕으로 TP가 가장 일반적인 타원형 대칭 프로세스이며, 폐쇄형 주변·예측 분포를 유지하면서도 자유도 ν에 의해 꼬리와 의존성을 조절할 수 있음을 증명한다. 실험 섹션에서는 회귀와 베이지안 최적화 두 가지 응용에서 GP와 TP를 비교한다. 변동성 구조가 급격히 변하거나 노이즈가 비정규적인 경우, TP는 예측 평균과 공분산 모두에서 더 정확한 추정치를 제공한다. 특히 베이지안 최적화에서는 획득 함수가 예측 공분산에 크게 의존하므로, TP가 탐색‑활용 균형을 더 효율적으로 관리해 최적점에 도달하는 속도가 빠르다. 전체적으로, TP는 GP와 동일한 계산 복잡도(O(n³))를 유지하면서도, 관측값에 기반한 적응형 불확실성 추정, 꼬리 두께 조절, 변동성 변화에 대한 강건성 등 여러 면에서 실용적인 장점을 제공한다.