다중 시각 학습을 위한 PAC‑Bayes 일반화 경계

본 논문은 다중 시각 학습에 대한 이론적 분석을 강화하기 위해 PAC‑Bayes 프레임워크를 활용한 8개의 새로운 일반화 경계를 제시한다. 서론에서는 다중 시각 학습이 멀티미디어 이해, 텍스트‑이미지 연계 등 다양한 분야에서 중요한 역할을 수행하고 있음을 강조한다. 기존 이론은 주로 Rademacher 복잡도나 전통적인 PAC‑Bayes 경계에 의존했으며, 데이터 생성 분포와 직접 연결된 사전 분포를 명시적으로 다루지는 못했다. 저자들은 이러한 한계를 극복하고자, 데이터 의존적인 가우시안 사전을 설계하고, 이를 통해 두 시각 간의 일치성을 정량화한다. 2절에서는 PAC‑Bayes 기본 정리와 이를 SVM에 특수화한 기존 결과를 정리한다. 여기서 사전은 표준 정규분포, 사후는 평균 \(\mu\) 를 갖는 정규분포로 두고, KL‑발산이 \(\|\mu\|^2/2\) 로 단순화되는 형태를 복습한다. 3절과 4절에서는 다중 시각 학습을 위한 사전·사후 모델을 구체화한다. 두 시각의 가중치 벡터 \(u_1, u_2\) 를 결합한 전체 파라미터 \(u\) 에 대해 사전은 \