연속 공간 순수 탐색을 위한 인컨텍스트 학습

초록

**
본 논문은 연속적인 행동·가설 공간에서 (ε, δ)‑정확도 보장을 만족하는 순수 탐색 문제를 다룬다. 저자들은 메타‑학습된 심층 정책 C‑ICPE‑TS 를 제안하여, 관찰 이력을 입력으로 다음 실수형 쿼리와 현재 가장 가능성 높은 가설을 동시에 출력한다. 학습 단계에서는 시뮬레이션된 태스크 집합으로 정책·추론·정지 규칙을 강화학습과 베이지안 후방 확률을 이용해 최적화하고, 추론 단계에서는 파라미터 업데이트 없이 바로 새로운 태스크에 적용한다. 실험은 연속 최적 팔 식별, ε‑볼 지역 탐색, 노이즈가 있는 Ackley 함수 최적점 찾기 등 세 가지 벤치마크에서 기존 방법보다 적은 샘플로 높은 성공률을 달성함을 보여준다.

**

상세 분석

**
본 연구는 순수 탐색(active sequential testing) 분야를 연속 가설·행동 공간으로 확장한다는 점에서 이론·실험 모두에 의미 있는 기여를 한다. 먼저, 연속 공간에서는 “가설이 정확히 맞는다”는 확률 질량이 정의되지 않으므로, 저자들은 후방 성공 확률 qₜ(h, x)=P(Lθ(x)≤ε | Hₜ=h) 를 도입하고, 이를 최대화하는 rₜ(h)=maxₓ qₜ(h, x) 를 정지 시점의 보상으로 사용한다. 이 정의는 기존 유한 가설 공간에서 사용된 포인트 질량 대신 연속적인 확률 밀도를 자연스럽게 대체한다.

다음으로, (ε, δ)‑정확도 제약을 라그랑주 듀얼로 전환해 V_λ(π, I, τ)=−E