본 논문에서는 $p \in [1,\infty]$에 대해 무작위 파라미터를 갖는 렐루 신경망 $Φ: \mathbb{R}^d \to \mathbb{R}$의 $\ell^p$-립시츠(Lipschitz) 상수를 연구합니다. 가중치의 분포는 He 초기화의 변형을 따릅니다. 바이어스가 0인 신경망의 경우, 넓은(wide) 신경망에 대해 기껏해야 네트워크 깊이의 로그 인자만큼만 차이나는 높은 확률의 상한 및 하한을 도출합니다. 주목할 점은 $\ell^p$-립시츠 상수의 거동이 $p \in [1,2)$와 $p \in [2,\infty]$ 영역 사이에서 크게 달라진다는 것입니다. $p \in [2,\infty]$의 경우, $\ell^p$-립시츠 상수는 $\Vert g\Vert_{p'}$와 유사하게 거동하며, 여기서 $g \in \mathbb{R}^d$는 $d$차원 표준 가우시안 벡터이고 $1/p + 1/p' = 1$입니다. 반면, $p \in [1,2)$의 경우 $\ell^p$-립시츠 상수는 $\Vert g \Vert_{2}$에 더 가깝게 일치합니다. 나아가 임의의 대칭 분포에서 추출된 0이 아닐 수 있는 바이어스를 갖는 신경망으로 분석을 확장합니다. 이 경우, 기껏해야 네트워크 너비의 로그 인자 및 깊이의 선형 인자만큼만 차이나는 높은 확률의 상한과 하한을 얻습니다.
반복 재가중 최소제곱(IRLS, Iteratively Reweighted Least Squares) 방법은 핵 노름(nuclear norm) 최소화에 대한 자연스러운 접근법이지만, 그 수렴률과 가중치 연산자(weight operator)의 역할은 아직 충분히 이해되지 못했다. 본 논문은 저랭크 복원(low-rank recovery)에서 제약이 있는 핵 노름 최소화를 위한 IRLS 방법의 엄밀한(sharp) 수렴률을 규명한다. 핵심 요소는 평활화된 핵 노름(smoothed nuclear norm)에 대한 새로운 우최소화(majorization) 분석으로, 조화평균(harmonic-mean) 가중치 연산자가 유효한 전역 2차 우최소화 함수(global quadratic majorizer)를 정의함을 증명한다. 나아가 이 가중치 연산자가 멱평균(power-mean) 가중치 계열 내에서 최적임을 보이며, 이를 통해 행 공간 또는 열 공간 정보만 사용하는 기존의 단측(one-sided) 재가중 방식보다 개선되는 이유를 설명한다. Schatten-1 영공간 성질(null space property) 하에서, 조화평균 가중치를 포함한 다양한 가중치 연산자를 사용하는 IRLS 알고리즘의 전역 선형 수렴을 증명한다. 조화평균 가중치를 사용하는 IRLS에 대해서는 차원에 독립적인 국소 선형 수렴률을 증명한다. 또한 문헌에서 주로 사용되는 단측 가중치 연산자를 쓰는 IRLS 알고리즘에서는 이러한 차원 독립적 국소 수렴률을 일반적으로 얻을 수 없음을 보이는 반례를 제시한다. 수치 실험은 이론적 결과를 뒷받침하며, 정사각, 직사각, 그리고 적대적으로 초기화된 복원 문제 전반에서 조화평균 재가중의 실용적 이점을 보여준다.
수치 기상 예측과 데이터 동화(data assimilation)에서 컨포멀 예측(conformal prediction, CP)을 대류 과정을 모방한 1차원 수정 천수 모델에 적용해 표준 CP, 정규화 CP, 컨포멀화된 분위수 회귀(CQR)의 커버리지·구간 길이·구간 점수 등을 평가하고 앙상블 스프레드 등 전통적 앙상블 기반 측도와 비교했다. CP 섭동을 데이터 동화 주기에 통합하는 방안도 함께 검토했으며, 결과는 각 방법의 강점과 한계를 드러내며 단순화된 대기 모델에서 CP가 기존 앙상블 기반 불확실성 정량화를 보완할 수 있음을 보여준다.