적대적 네트워크를 이용한 피벗 학습

본 논문은 과학 분야에서 데이터 생성 과정에 존재하는 연속적인 시스템 불확실성(교란 파라미터 Z)을 고려한 모델링 문제를 ‘피벗(pivot)’이라는 통계적 개념으로 접근한다. 피벗이란 예측 변수 f(X)가 Z와 통계적으로 독립인 경우를 의미하며, 이는 Z의 실제 값이 무엇이든 f의 분포가 변하지 않음을 보장한다. 이러한 특성은 불확실성이 큰 과학 실험에서 추론의 견고성을 크게 향상시킬 수 있다. **문제 정의** 데이터는 (X, Y, Z) 삼중으로 모델링되며, X는 관측 데이터, Y는 목표 레이블, Z는 교란 파라미터이다. 목표는 Y를 예측하는 함수 f: X→S를 학습하면서, f(X)와 Z가 독립이 되도록 하는 것이다. 수식적으로는 모든 z, z′∈Z와 모든 s∈S에 대해 p(f(X)=s|Z=z)=p(f(X)=s|Z=z′) 를 만족시키는 것이 목표이며, 이는 조건부 독립성 f⊥Z 를 의미한다. 경우에 따라 Y를 조건으로 두고 p(f(X)=s|Y=y, Z=z)=p(f(X)=s|Y=y, Z=z′) 로 정의하기도 한다. **제안 방법** 적대적 네트워크 구조를 도입한다. 예측 모델 f는 기존의 교차 엔트로피 손실 L_f(θ_f)=E