구조화된 BSDE 군에 대한 신경 연산자 근사에서 다항식 스케일링 가능

초록

본 논문은 비마르코프식 BSDE(후방 확률 미분 방정식) 가족에 대해, 해 연산자를 신경 연산자(NO)로 근사할 때 파라미터 수가 목표 정확도 1/ε에 대해 다항식 성장한다는 최초의 이론적 결과를 제시한다. 핵심은 Green 함수의 특이 부분을 분리하고, 비마르코프 요인의 Doléans‑Dade 지수를 디코더에 포함시켜 NO의 inductive bias를 구조화하는 것이다. 이를 통해 반정규화된 Sobolev 공간에서 정의된 터미널 조건과 생성자 교란을 다루는 경우에도 최소 파라미터 수가 ε⁻¹의 다항식으로 제한됨을 증명한다.

상세 분석

이 논문은 신경 연산자(NO)의 표현력은 보장하지만, 일반적인 정규성 가정만으로는 최소 파라미터 수가 ε⁻¹에 대해 지수적으로 증가한다는 정보이론적 하한을 강조한다. 따라서 연구자는 “특수 구조”를 가진 문제군을 찾아 NO의 inductive bias와 일치시키는 전략을 채택한다. 여기서 선택된 구조는 두 가지 핵심 요소로 구성된다. 첫째, 해당 BSDE가 연관된 반선형 타원 PDE의 Green 함수에서 특이 부분을 명시적으로 분리하고, 이를 컨볼루션 연산으로 NO의 인코더에 삽입한다. 이는 PDE 해의 공간적 스무딩 특성을 직접 활용해 파라미터 효율성을 높인다. 둘째, BSDE의 비마르코프 요인 β_t의 Doléans‑Dade 지수를 디코더 레이어에 포함시켜, 시간적 비마르코프성(예: 경로 의존성)을 네트워크가 자연스럽게 학습하도록 만든다. 이러한 설계는 기존의 보편적 NO가 갖는 무한 차원의 학습 복잡성을 제한된 차원으로 축소한다.

수학적으로는, 터미널 조건 g와 생성자 교란 f₀를 각각 Sobolev‑정규성 W^{s,p}와 W^{s+d+1,2}에 놓고, β_t가 Novikov 조건을 만족하는 충분히 정규화된 예측 과정이라고 가정한다. 이때 해 연산자 Γ* : (f₀,g) ↦ (Y₀,Z₀) 를 정의하고, Γ⁺ 라는 반정규화된 반선형 타원 PDE 해 연산자를 별도로 고려한다. 논문은 두 연산자 모두에 대해, 목표 정확도 ε에 대해 파라미터 수 N(ε) ≤ C·ε^{-k} (k는 문제 차원과 정규성 지수에 의존) 를 만족하는 NO 구조를 명시적으로 구성한다. 증명은 (i) Green 함수의 특이 부분을 분리함으로써 핵심 연산을 저차원 파라미터화, (ii) Doléans‑Dade 지수의 로그 선형성을 이용해 시간적 비마르코프성을 선형 변환 형태로 재구성, (iii) 파동렛 기반 Besov‑Sobolev 추정치를 활용해 근사 오차를 제어하는 3단계 절차로 진행된다. 또한, 반선형 PDE에 대한 기존 다항식 스케일링 결과를 확장하여, 비선형 항 α(x,u) 가 충분히 매끄러운 경우에도 동일한 복잡도 보장을 얻는다.

결과적으로, 이 논문은 (1) 일반적인 BSDE 가족에 대해 NO가 지수적 복잡도에 머무는 것이 불가피하다는 기존 인식을 깨고, (2) 구조화된 비마르코프 BSDE와 연관된 반선형 PDE에 대해 다항식 복잡도 보장을 제공함으로써, 금융, 게임 이론, 경제학 등 고차원 확률 모델링 분야에서 NO 기반 시뮬레이션과 데이터 기반 추정이 실용적으로 가능함을 이론적으로 뒷받침한다.