유사도 커널을 활용한 강건한 국소 다항 회귀
Robust Local Polynomial Regression with Similarity Kernels
국소 다항 회귀(LPR)는 유연성과 단순성 덕분에 복잡한 관계를 모델링하는 데 널리 사용되는 비모수적 방법입니다. 이는 근접성에 따라 가중치가 부여된 데이터의 국소적 부분집합에 저차 다항식을 적합시켜 회귀 함수를 추정합니다. 그러나 기존 LPR은 이상치와 고레버리지 점에 민감하여 추정 정확도에 큰 영향을 미칠 수 있습니다. 본 논문은 회귀 가중치를 계산하는 데 사용되는 커널 함수를 다시 살펴보고, 가중치 부여 메커니즘에 예측 변수와 반응 변수를 모두 통합하는 새로운 프레임워크를 제안합니다. 이 연구의 초점은 국소적 밀도 추정을 통해 이상치의 영향을 완화하여 가중치를 강건하게 추정하는 조건부 밀도 커널입니다. 제안된 방법은 Python으로 구현되었으며 https://github.com/yaniv-shulman/rsklpr에서 공개적으로 제공됩니다. 모집단 분석은 밀도 기반 강건 가중치 부여에 의해 유발된 바이어스를 정량화하며, 보고된 실험 결과는 표준 LOWESS와 대등한 성능을 유지하면서 반복적 강건 LOWESS보다 더 낮은 경험적 바이어스를 보여줍니다. 이러한 발전은 기존 LPR에 유망한 확장을 제공하며, 강건 회귀 응용의 새로운 가능성을 엽니다.