듀르메이어형 맥스민 신경망 연산자의 Lp 수렴과 잡음제거 성능

초록

본 논문은 시그모이드 활성화 함수와 최대‑최소 연산을 결합한 듀르메이어형 신경망 연산자를 정의하고, 이를 $L^{p}$( $1\le p<\infty$ ) 공간에서 점wise, 균등, $L^{p}$ 수렴을 증명한다. 수렴 속도에 대한 정량적 추정식을 제시하고, 기존의 칸토리치·맥스민 및 표준 맥스민 연산자와 비교하여 부드러운 근사와 우수한 잡음 제거 효과를 수치 실험을 통해 확인한다.

상세 분석

논문은 먼저 시그모이드 함수 $\sigma$에 대한 전형적인 가정(단조성, 경계값 0·1, 짝함수성 등)과 그로부터 정의되는 중심형 벨 커널 $\varphi_{\sigma}(x)=\frac12\bigl(\sigma(x+1)-\sigma(x-1)\bigr)$의 기본 성질을 정리한다. $\varphi_{\sigma}$는 비음수, 짝함수, 적당한 급감성을 가지며 $\sum_{k\in\mathbb Z}\varphi_{\sigma}(x-k)=1$을 만족한다는 점이 핵심이다. 이러한 커널을 이용해 전통적인 듀르메이어 연산자 $D_n$를 정의하고, 여기서 최대‑최소 연산 $\wedge$를 삽입해 새로운 연산자 $D_n^{(m)}$(식 3.1)를 제시한다. 정의에서 분모는 $\int\chi$ 형태의 양의 정규화 상수 $A>0$와 $\varphi_{\sigma}$의 합으로 구성돼 항상 양수임을 Lemma 2.2가 보장한다.

연산자의 기본적인 단조성, 부분선형성, 차이의 절댓값을 최소화하는 성질(Lemma 3.1)은 최대‑최소 연산의 기본 부등식(Lemma 2.5, 2.6)과 결합해 증명된다. 이를 바탕으로 점wise 수렴(Theorem 3.2(i))과 균등 수렴(Theorem 3.2(ii))을 보이며, 핵심 아이디어는 $x$ 근처의 격자점 $k/n$와의 거리 $\lvert x-k/n\rvert$가 $\delta$ 이하인 인덱스 집합 $B_{\delta,n}(x)$를 이용해 적분을 두 부분으로 나누어 $\delta\to0$, $n\to\infty$ 순서로 제어한다. 특히 $T_2$ 항은 $\varphi_{\sigma}$의 급감성 $\mathcal O(n^{-(1+\alpha)})$를 이용해 임의의 $\varepsilon$ 이하로 만든다.

$L^{p}$ 수렴(Theorem 3.3, 3.4)은 연속함수에 대한 균등 수렴을 $L^{p}$ 노름에 바로 전이시키는 간단한 추정과, $C(