비볼록 최소최대 최적화의 시나리오 접근: 일관성 한계와 사전 확률 보장

본 논문은 확률적 시나리오 접근법을 비볼록 최소최대(min‑max) 최적화 문제에 적용하고, 그 이론적 특성과 실용적 한계를 체계적으로 탐구한다. **문제 설정 및 기본 정의** - 결정 변수 집합 X⊂ℝᵈ와 불확실성 파라미터 공간 Θ를 정의하고, 하위반연속(l.s.c.) 함수 f:X×Θ→ℝ 을 고려한다. 원문 문제는 y^*=inf_{x∈X} sup_{θ∈Θ} f(x,θ) 이며, 이는 일반적인 반무한(semi‑infinite) 최적화 형태이다. - 시나리오 접근법은 m 개의 i.i.d. 샘플 θ₁,…,θ_m 을 이용해 \hat f_m(x)=max_{i≤m} f(x,θ_i) 를 정의하고, y_m^*=inf_{x∈X}\hat f_m(x) 을 계산한다. 이때 \hat f_m(x)≤\hat f(x)=sup_{θ∈Θ} f(x,θ) 이므로 y_m^*≤y^* 가 항상 성립한다. **관심 목표** - (G1) 일관성: m→∞ 일 때 y_m^*→y^* 가 되는가? - (G2) 유한 샘플 보장: 주어진 정확도 ε와 신뢰도 δ에 대해, 사전에 필요한 샘플 수 m 을 결정할 수 있는가? **고차원 측정 집중과 본질적 상한** - 고차원 Θ 에서 i.i.d. 샘플이 “구멍”(probability zero region)을 지나칠 위험을 지적한다. 이를 해결하기 위해 ess sup (본질적 상한) 개념을 도입하고, 하위반연속성 및 전 지원(full support) 가정(Assumption 1.3) 하에 ess sup = sup 임을 보인다(Lemma 1.4). 이는 샘플링된 최대값이 실제 supremum을 근사할 수 있는 충분조건이다. **일관성 분석** - 기존 연구(Ramachandran 2018)는 X 가 컴팩트하거나 \hat f_N 이 약하게 강제(coercive)일 때 일관성을 증명한다. - 저자는 X 가 비컴팩트일 경우, \hat f_N 이 강제성을 상실하면 y_m^* 가 y^* 에 수렴하지 않을 수 있음을 정리한다. 구체적으로, X 가 무한히 확장되는 방향으로 f 값이 급격히 감소하면, 샘플링된 최대값이 실제 supremum을 크게 언더추정한다. 이는 “obstruction to consistency”라 명명한다. **유한 샘플 보장(PAC) 프레임워크** - “bad sample set” B(m,ε) 을 정의하고, 그 확률 β(m,ε)=P(B(m,ε)) 에 대한 상한을 사전에 추정한다. - 위험 함수 p_w(x,ε)=P{f(x,θ)> \hat f(x)-ε} 를 도입하고, p_w^*(ε)=inf_{x∈X} p_w(x,ε) 를 정의한다. - Uniform Level‑Set Bound h(ε) 를 통해 p_w^*(ε)≤δ 이면 h(ε) 보다 큰 오차가 발생하지 않음을 보장한다. - 샘플 복잡도 N(ε,δ) 을 \