함수 정보와 결합된 가우시안 프로세스 모델링을 위한 커널 기반 접근법

초록

본 논문은 경계값이나 물리적 제약과 같이 연속적인 무한 집합에 대한 사전 정보를 직접 활용할 수 있는 새로운 가우시안 프로세스(GP) 모델을 제안한다. 재현 커널 힐베르트 공간(RKHS)과 정규 직교 투사를 이용해 조건부 평균·공분산을 명시적으로 구성하고, 이를 “투사 커널 GP”(pkGP)라 명명한다. 또한, 유한 개의 가상 관측점을 점점 늘려가면 pkGP에 약한 수렴을 보이며, 실제 수치 실험을 통해 기존의 의사‑관측점 방식보다 더 효율적이고 안정적인 예측이 가능함을 확인한다.

상세 분석

이 논문은 가우시안 프로세스(GP)를 “조건부 기대값 = 힐베르트 공간에서의 직교 투사”라는 관점에서 재구성함으로써, 기존에 점 형태의 훈련 데이터만을 다루던 한계를 뛰어넘는다. 핵심 아이디어는 공분산 커널 k가 연속이고 충분히 매끄러울 경우, 해당 커널이 정의하는 재현 커널 힐베르트 공간(H(T))이 존재한다는 점이다. H(T)는 Cameron‑Martin 공간과 동등하며, 여기서는 평가 함수(al)·디랙 측도가 모두 유계 연산자로 표현된다.

논문은 먼저 전통적인 유한점 조건부 GP의 평균·공분산 식(2),(3)을 RKHS 관점에서 유도한다. 평가 함수 ϱ_t는 H(T) 내에서 k_t = k(·,t) 로 재현되며, 따라서 조건부 평균은 μ + ⟨k(·,·),·⟩_H·(관측값‑μ) 형태로 쓰인다. 이때 직교 투사 연산자는 K와 그 역(K^{-1})를 이용해 명시적으로 구성되며, K는 L²(T) 위의 적분 연산자이다.

무한 집합 T₀⊂T에 대해 값이 완전히 알려진 경우, 저자들은 “투사 연산자 P_{T₀}”를 정의한다. P_{T₀}는 H(T) → H(T)이며, P_{T₀}f는 T₀ 위에서 f와 동일한 값을 갖는 H(T) 내 유일한 함수이다. 이를 통해 조건부 평균 μ_{T₀}=μ+P_{T₀}(g₀−μ)와 조건부 공분산 k_{T₀}=k−P_{T₀}kP_{T₀}^*를 얻는다. 여기서 g₀는 T₀ 위에서 알려진 함수(예: 경계값)이다.

수학적으로는 P_{T₀}가 강한 연산자 수렴(strong operator convergence)을 만족함을 보이며, 이는 Kolmogorov‑Chentsov 정리를 이용한 연속 버전 존재와 결합해 전체 과정 X_{T₀}가 연속 확률 과정으로 존재함을 증명한다. 또한, 유한점 집합 {t₁,…,t_n}을 점점 촘촘히 채워 나가면, 해당 유한조건부 GP들의 유한 차원 분포가 pkGP로 약하게 수렴함을 보인다. 이는 기존 문헌