딥 부트스트랩: 조건부 확산 모델을 활용한 비모수 회귀 부트스트랩 혁신

초록

본 논문은 조건부 확산 모델을 이용해 회귀 변수와 반응 변수의 조건부 분포를 학습하고, 이를 직접 샘플링하여 부트스트랩 데이터를 생성함으로써 비모수 회귀 추정과 부트스트랩 절차를 하나의 통합 프레임워크로 결합한다. 학습된 모델의 조건부 분포와 실제 분포 사이의 Wasserstein 거리에 대한 최적 수렴률을 이론적으로 증명하고, 이를 기반으로 부트스트랩 추정량의 수렴 및 신뢰구간 커버리지를 보장한다. 실험을 통해 고차원·다중모달 상황에서도 효율적인 샘플링과 정확한 회귀 추정이 가능함을 확인한다.

상세 분석

이 연구는 비모수 회귀에서 가장 핵심적인 목표인 조건부 평균 함수 f₀(x)=E