확률 미분 방정식 학습을 위한 스토캐스틱 점유 커널(SOCK) 방법

초록

본 논문은 점유 커널을 활용해 다변량 확률 미분 방정식(SDE)의 드리프트와 확산 함수를 순차적으로 추정하는 새로운 비모수 방법을 제안한다. 벡터값·연산자값 점유 커널과 Fenchel 이중성을 결합해 계산 효율성을 높이고, 실험을 통해 높은 예측 정확도와 노이즈에 대한 강인성을 입증한다.

상세 분석

SOCK 방법은 기존 SDE 학습에서 흔히 마주치는 로그우도 계산의 비분석성 문제를 회피한다는 점에서 큰 의의를 가진다. 먼저, 드리프트 추정 단계에서는 시간 적분 형태의 이토식 SDE를 기대값으로 변형하고, 이를 RKHS 상의 벡터값 점유 커널 Lᵢ 로 표현한다. 정규화 항 λ_f와 함께 제시된 최소화 문제는 대표정리(Representer Theorem)를 통해 α_i 계수만을 포함하는 유한 차원 선형 결합으로 축소된다. 이때 Lᵢ는 기대값 연산을 커널 K와 시간 적분으로 결합한 Riesz 대표자로, 데이터 전체에 대한 전역 정보를 효율적으로 집계한다.

확산 추정에서는 σ₀σ₀ᵀ 를 직접 추정함으로써 양의 반정밀도(PSD) 제약을 자연스럽게 만족한다. 두 가지 구현이 제시되는데, 첫 번째는 연산자값 점유 커널을 이용한 암시적(implicit) 방식이다. 여기서는 Hilbert‑Schmidt 연산자 C를 도입하고, a(x)=φ̂(x)ᵀ C φ̂(x) 형태로 표현한다. C⪰0 조건은 전체 추정 함수가 PSD임을 보장한다. 기대값 적분을 연산자 내적으로 변환한 뒤, 대표정리를 적용해 C를 유한 차원 행렬 A로 사상한다. Fenchel 이중성을 이용해 원래의 반정규화 문제를 A에 대한 이중 최적화 문제로 전환하고, FISTA 알고리즘으로 효율적으로 해결한다. 두 번째는 명시적(explicit) 방식으로, 피처 맵 φ와 PSD 행렬 Q를 직접 학습한다. 이 경우에도 점유 커널 M_i=E