분포 이동 하에서 인증 학습 위험 상한과 검증 가능성

초록

**
본 논문은 훈련 분포 P와 테스트 분포 Q 사이의 이동을 Wasserstein 거리로 모델링하고, Lipschitz‑bounded 손실·예측기를 가정하여 위험 전이 상한을 명시적으로 계산한다. 위험 상한은 ρ·bℓ∘f 형태로 구해지며, ρ는 데이터 기반 신뢰구간으로 추정 가능하고 bℓ∘f는 네트워크 파라미터로부터 검증 가능한 Lipschitz 상수이다. 또한 ReLU 네트워크에 대한 완전·불완전 검증 방법을 dual 인증 형태로 제시하고, 해석 가능성을 구조적 식별성 조건과 연결한다. 마지막으로 인증이 지수적으로 복잡해지는 경우를 부정적 결과로 제시한다.

**

상세 분석

**
이 논문은 세 가지 핵심 문제를 하나의 최적화 골격으로 통합한다. 첫 번째는 분포 이동에 대한 위험 인증이다. 저자는 훈련‑테스트 분포 차이를 1‑Wasserstein 거리 ρ≤𝜌 로 제한하고, 손실 ℓ이 예측값에 대해 Lℓ‑Lipschitz, 예측기 f가 Lf‑Lipschitz임을 가정한다. 이때 조건부 위험 함수 g_f(x)=E