운영비용을 고려한 머신러닝 동시 최적화와 일반화 이론

본 논문은 통계적 예측 모델과 실제 운영 정책 사이의 불확실성을 연결하는 새로운 방법론을 제시한다. 전통적인 순차적 프로세스에서는 먼저 과거 데이터로부터 예측 모델 \(f\)를 학습하고, 그 모델을 이용해 정책 \(\pi\)를 최적화한다. 그러나 이 과정은 모델이 “충분히 정확하다”는 전제 하에 진행되며, 모델 불확실성이 정책 비용에 미치는 영향을 충분히 반영하지 못한다. 저자들은 이러한 한계를 극복하기 위해 ‘동시 프로세스’를 도입한다. 동시 프로세스는 학습 목표에 운영비용 \(\operatorname{OpCost}(\pi,f,\tilde{x})\)의 최적값을 정규화 항으로 추가한다. 구체적인 최적화 문제는 \