대조 예시가 섞인 반쯤 공간 학습: 잡음 함수가 이끄는 새로운 복잡도 분석

초록

**
본 논문은 기존의 이상적인 대조 예시 오라클을 현실적인 잡음 모델로 확장한다. 거리‑의존적 잡음 함수 f 에 따라 대조 예시가 얼마나 변형될 수 있는지를 규정하고, 1차원 임계값과 균등 분포 위의 반쯤-공간에 대해 능동·수동 학습의 샘플 복잡도를 f에 대한 함수 형태로 정확히 구한다. 특정 f에 대해 대조 예시가 존재하면 학습 속도가 이론적으로 가속됨을 보인다.

**

상세 분석

**
이 연구는 Mansouri et al. (2025)가 제안한 “최소 거리 대조 예시” 모델을 비현실적이라고 판단하고, 두 단계 오라클에 잡음 메커니즘을 도입한다. 핵심 아이디어는 원래의 이상적인 대조점 xₘᵢₙ 에서 거리 d (주 예시와 결정 경계 사이 거리)에 비례해 허용되는 최대 변형 f(d) 를 정의하는 것이다. f가 비감소 함수이므로, 경계에 가까운 점일수록 더 정확한 대조 예시를 받게 된다.

두 가지 변형 메커니즘을 제시한다. 첫 번째는 Deterministic Approximate Minimum Distance Model (Deterministic AMDM) 로, 오라클이 CE_{d,f}^{app} 집합 안에서 임의의 대조점을 반환한다. 여기서는 최악의 경우를 가정해 적대적 분석을 수행한다. 두 번째는 Probabilistic AMDM 으로, 각 x 에 대해 Dₓ 라는 분포를 정의하고, 기대 변형이 f(d) 이하가 되도록 샘플링한다. 이 경우 평균적인 성능을 평가한다.

학습 목표는 두 단계에서 얻은 (주 예시, 대조 예시) 쌍을 이용해 목표 라벨링 ℓ 에 근접한 가설 C 를 찾는 것이다. 이를 위해 대조 샘플 복잡도와 기대 대조 샘플 복잡도라는 두 측정 지표를 정의한다. 전자는 (ε,δ) 정확도·신뢰도 보장을 위한 최소 쿼리 수, 후자는 평균 오류 ε 보장을 위한 최소 쿼리 수를 의미한다.

분석 대상은 (i)