인 정확 근접 연산자에 대한 새로운 정의와 수렴 분석

초록

**
본 논문은 비정밀(인-정확) 근접 연산자의 여러 근사 정의를 제시하고, 각각의 정성·정량적 특성, 고정점 존재성, Lipschitz 연속성을 체계적으로 분석한다. 이를 바탕으로 오류가 가산적이거나 소멸하지 않을 경우에도 근접점 알고리즘, 전방‑후방 분할, Peaceman‑Rachford 및 Douglas‑Rachford 방법이 약하게 볼록한 함수와 강하게 볼록한 함수의 합을 최소화하는 문제에 대해 수렴하도록 하는 새로운 수렴 조건을 제시한다.

**

상세 분석

**
논문은 먼저 Moreau‑prox 연산자의 기존 특성을 비볼록(weakly convex) 페널티에 대해 정리한 뒤, “인‑정확 proximal operator”라는 개념을 도입한다. 저자는 여섯 가지 근사 형태 (a)–(f)를 정의하고, 각각을 ε‑approximation이라는 공통 프레임워크 아래 평가한다. 정의 1‑3을 통해 근사의 질(σ(ε) 함수), 고정점 존재성(admissibility), 그리고 Lg,γ‑Lipschitz 연속성을 정량화한다. 표 1은 각 형태가 이러한 기준을 만족하는 정도를 정리한 것으로, 특히 (c), (e), (f) 형태는 별도 가정 없이도 고정점 존재와 Lipschitz 연속성을 보장한다는 점이 핵심이다.

기술적 기여는 두 단계로 나뉜다. 첫째, ε‑approximation의 정성·정량적 특성을 정리함으로써 “좋은 근사”가 무엇인지를 명확히 한다. 여기서 중요한 결과는 Theorem 7으로, 형태 (d) 근사는 ε가 작아질수록 Lipschitz 상수가 원래 prox ϕ의 상수 Lψ에 근접한다는 점이다. 둘째, 이러한 근사 연산자를 실제 알고리즘에 삽입했을 때의 수렴성을 분석한다. 기존 문헌은 오류의 ‖e_k‖이 Σ‖e_k‖<∞ 혹은 ‖e_k‖≤c‖x_k−x_{k−1}‖와 같은 상대적 조건을 요구했지만, 본 논문은 오류가 비가산적이거나 완전히 사라지지 않아도 수렴을 보장하는 새로운 조건을 제시한다. 핵심은 강하게 볼록한 부함수 f와 ρ‑weakly convex ϕ(ρ≤1)를 가정하고, 근사 연산자 g가 위의 정의를 만족하면, proximal point algorithm, FB, PR, DR 알고리즘 모두 제한된 고정점 집합에 수렴한다는 것이다. 특히, 강한 볼록성으로 인해 g의 비수축성(β‑cocoercivity) 대신 약한 수축성(ρ‑weak convexity)만으로도 충분함을 보였다.

또한, 논문은 학습 기반 근사(예: plug‑and‑play, 딥 denoiser)와 전통적인 수치적 근사(ε‑subgradient 기반) 사이의 연결 고리를 제공한다. 학습된 네트워크가 정의 (d) 혹은 (f) 형태에 해당한다면, 이론적 수렴 보장은 기존의 “오류가 0에 수렴한다는 기대”를 넘어서, 실제 구현에서 발생하는 고정된 근사 오차까지도 허용한다는 점에서 실용적 의미가 크다.

마지막으로, 저자는 각 근사 형태에 대한 구체적인 예시와 제한 조건을 부록에 제시하고, 실제 영상 복원·신경망 기반 최적화 실험을 통해 이론적 결과를 검증한다. 전체적으로 이 논문은 인‑정확 proximal 연산자의 체계적 분류와 그에 기반한 강인한 수렴 이론을 제공함으로써, 비정밀 연산이 불가피한 현대 대규모 최적화·학습 문제에 중요한 이론적 토대를 마련한다.

**