과거와 현재 예측을 동시에 활용한 정규화 앙상블 가중치 학습

초록

본 논문은 현재 전문가들의 예측값과 과거 실적을 동시에 고려하여 가중치를 결정하는 정규화 앙상블 방법(REF)을 제안한다. 예측값의 분산을 최소화하는 기본 목표에 과거 성과를 반영한 정규화 항을 추가함으로써, 극단적인 현재 예측에 대한 민감도를 낮추고, 전문가들의 이력 정보를 효율적으로 활용한다. 베이지안 해석을 제공하고, 다양한 변환·벌점 함수 선택이 가능하도록 설계하였다. Walmart 판매 데이터와 미국 거시경제 예측(SPF)에서 기존 베이스라인을 크게 앞섰으며, 전문가의 진입·퇴출이 빈번한 상황에서도 견고한 성능을 보였다.

상세 분석

본 연구는 전통적인 선형 의견 풀(linear opinion pool) 방식의 한계를 인식하고, 두 가지 정보원—현재 시점의 예측값 µ_i와 과거 실적 기반의 사전 가중치 s_i—을 동시에 활용하는 새로운 최적화 프레임워크를 구축한다. 핵심 목표 함수는
 min_w  f\Big(∑_{i=1}^k w_i^2(µ_i−E