연속시간 비선형 시스템 학습을 통한 형식적 불확실성 전파와 확률 평가

초록

본 논문은 미지의 비선형 연속시간 동역학을 데이터 기반으로 학습하면서, 초기 상태의 확률적 불확실성을 형식적으로 전파하고 특정 시간에 시스템이 목표 영역에 도달할 확률을 엄격히 상한(bound)으로 제공하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 초기 가우시안 분포를 단위 초입방형으로 변환한 뒤, 체적(볼륨) 함수의 테일러 전개를 이용해 확률을 스칼라 함수로 근사함으로써 해석적 계산이 가능하도록 만든다.

상세 분석

논문은 먼저 비선형 ODE ( \dot x = f(x) ) 를 데이터 (D={(\hat x_i,f(\hat x_i))}) 로부터 학습하는 문제를 정의하고, 학습된 모델 ( \hat f ) 가 전역 리프시츠 연속성을 만족한다는 가정 하에 “수렴하는 보편 추정기”(Convergent Universal Estimator) 개념을 도입한다. 이때 파라미터 ( \theta ) 에 대한 손실 함수는 볼록이며, 데이터와 파라미터가 충분히 풍부해지면 ( |\hat f_\theta - f|_{C^k}\to0 ) 가 보장된다.

불확실성 전파는 두 단계(밀도 전파와 영역 적분)로 나뉘지만, 비선형성 때문에 직접적 해석이 불가능하다. 저자는 이를 해결하기 위해 초기 가우시안 분포를 각 차원별 누적분포함수(CDF) ( \psi_i(x_i)=c(x_i;\mu_i,\Sigma_{ii}) ) 로 매핑해 단위 초입방형 (U_n=(0,1)^n) 로 변환한다. 변환 후 초기 분포는 균등분포가 되며, 목표 영역 (R) 도 동일한 변환을 통해 초입방형 (R_u) 로 옮겨진다. 이때 확률 질량 보존 원리를 이용해 관심 확률은 단순히 변환된 제어 질량 ( \Omega_\tau(0) ) 의 부피와 동일함을 보인다.

핵심 수학적 도구는 부피 함수 (V_\Omega(t;\tau)=\text{Vol}(\Omega_\tau(t))) 이다. (t=\tau) 에서 부피는 단순히 ( \text{Vol}(R) ) 이며, (t=0) 에서 원하는 확률과 일치한다. 비선형 흐름 ( \hat f ) 에 의해 부피는 시간에 따라 변하고, 그 변화율은 레이놀즈 수송정리
\