다중 스케일 예측자를 위한 기능적 가우시안 프로세스 기반 함수형 결과 학습

초록

본 논문은 고정된 함수형 예측자와 시뮬레이션마다 변하는 전역 스칼라 예측자를 동시에 고려하는 새로운 감독 학습 프레임워크를 제안한다. 함수형 예측자의 효과는 공간적으로 변하는 계수를 갖는 가우시안 프로세스(GP)로, 전역 예측자의 비선형 효과는 함수형 가우시안 프로세스(fGP)라는 새로운 사전분포로 모델링한다. 합성 데이터와 SLOSH 허리케인 시뮬레이션을 통해 모델의 정확도와 불확실성 정량화 능력을 검증한다.

상세 분석

이 연구는 기존의 함수‑스칼라 회귀(FOSR)와 함수‑함수 회귀(FoF)의 한계를 넘어, 두 종류의 예측자를 동시에 다루는 구조적 모델을 설계한다는 점에서 혁신적이다. 고정된 함수형 예측자 (x(u))에 대한 영향은 공간에 따라 변하는 계수 (\beta_j(u)) 으로 표현되며, 각 (\beta_j(u)) 는 평균 0, 공분산 (C_{\beta_j}(\cdot,\cdot;\theta_{\beta,j})) 을 갖는 독립적인 GP 사전으로 부여된다. 이는 함수형 예측자가 지역별로 다른 가중치를 가질 수 있게 하여, 복잡한 공간 변동성을 자연스럽게 포착한다.

전역 스칼라 예측자 (z_s) 의 비선형 효과는 (h(z_s;u)) 라는 함수 집합으로 정의된다. 저자들은 이 함수를 사전 정의된 (K) 개의 베이스 (B_k(z_s)) 의 선형 결합으로 전개하고, 각 베이스의 계수 (\eta_k(u)) 를 또다시 공간 함수로 모델링한다. 즉, (\eta_k(u)) 각각에 독립적인 GP 사전 (GP(0,C_k(\cdot,\cdot;\theta_k))) 을 부여함으로써, 전역 예측자의 효과가 공간에 따라 부드럽게 변하도록 설계한다. 이러한 계층적 구조는 “함수형 가우시안 프로세스(fGP)”라 명명되며, 베이스 함수와 공간 커널이 결합된 복합 공분산
\