설명 가능한 AI(XAI)에서 결정 트리(decision tree)의 신뢰성을 보장하기 위해, 대수적 모델 카운팅(AMC)에서 영감을 받아 최적 및 근최적 결정 트리의 전체 가설 공간을 세미링(semiring) 위의 합-곱 연산으로 통합 분석하는 프레임워크인 Algebraic Decision Tree Counting(ADTC)을 제안한다. 동적 프로그래밍 알고리즘을 통해 이중 지수 복잡도를 O*(n^O(Δ))로 줄이고, 모델 행동 텐서(model behavior tensor)를 도입하여 정확도·크기·공정성 간의 트레이드오프를 포함한 Rashomon 집합의 전역적 프로파일을 효율적으로 구성함을 실제 데이터셋 실험으로 검증하였다.
A/B 테스트의 표본 평균 추정기(AVG estimator)가 공유 오프라인 데이터에서 비롯된 양의 상관관계(positive correlation)를 활용하지 못해 오히려 오프라인 평가보다 알고리즘 선택 오류율이 높아질 수 있음을 밝히고, 가상의 중간 알고리즘(M)을 도입해 단계적으로 성능 차이를 추정함으로써 양의 상관관계를 의도적으로 유도하는 MID(Middle-In-Difference) 추정기를 제안한다. 실제 영상 추천 로그 데이터 실험에서 MID는 기존 방법과 동일한 선택 오류율을 달성하면서도 A/B 테스트 데이터를 절반만 사용해 데이터 효율성을 두 배로 개선했다.
Frontier Multimodal Large Language Models (MLLMs) exhibit remarkable capabilities in Visual-Language Comprehension (VLC) tasks. However, they are often deployed as zero-shot solution to new tasks in a black-box manner. Validating and understanding the behavior of these models become important for application to new task. We propose an Explicit Logic Channel, in parallel with the black-box model channel, to perform explicit logical reasoning for model validation, selection and enhancement. The frontier MLLM, encapsulating latent vision-language knowledge, can be considered as an Implicit Logic Channel. The proposed Explicit Logic Channel, mimicking human logical reasoning, incorporates a LLM, a VFM, and logical reasoning with probabilistic inference for factual, counterfactual, and relational reasoning over the explicit visual evidence. A Consistency Rate (CR) is proposed for cross-channel validation and model selection, even without ground-truth annotations. Additionally, cross-channel integration further improves performance in zero-shot tasks over MLLMs, grounded with explicit visual evidence to enhance trustworthiness. Comprehensive experiments conducted for two representative VLC tasks, i.e., MC-VQA and HC-REC, on three challenging benchmarks, with 11 recent open-source MLLMs from 4 frontier families. Our systematic evaluations demonstrate the effectiveness of proposed ELC and CR for model validation, selection and improvement on MLLMs with enhanced explainability and trustworthiness.
분할 등각 예측(split conformal prediction)에서 예측 구간 길이를 최소화하면서 커버리지를 유지하는 최적 학습-보정 데이터 분할 비율을 이론적으로 규명하는 프레임워크를 제시하며, 대칭·비대칭 설정 모두에서 해석적 특성을 도출한다. 선형 회귀, 비모수 회귀, 신경망 회귀에 걸쳐 이론을 구체화하고 데이터 기반 최적 비율 선택 방법을 함께 제안하여, 합성 및 실제 데이터셋 실험에서 고정 분할 비율 대비 더 짧은 예측 구간을 달성함을 확인한다.
약지도 객체 위치 추정(Weakly Supervised Object Localization, WSOL)은 전역 클래스 수준 레이블만을 사용하여 분류 및 위치 추정(LOC)을 위한 심층 학습 모델을 학습할 수 있게 한다. 학습 중 경계 상자(bounding box, bbox) 지도 정보의 부재는 하이퍼파라미터 튜닝, 모델 선택, 평가 측면에서 문헌상 여러 과제를 야기한다. WSOL 방법들은 모델 선택을 위해 경계 상자 어노테이션이 포함된 검증 세트에, 그리고 위치 추정 맵으로부터 경계 상자를 생성하기 위한 임계값 추정에 경계 상자 어노테이션이 포함된 테스트 세트에 의존한다. 그러나 이 접근 방식은 실제 환경에서 해당 어노테이션을 일반적으로 구할 수 없다는 점에서 WSOL 설정과 부합하지 않는다. 초기 실증 분석에서는 모델 선택과 임계값 추정을 각각 클래스 레이블과 이미지 자체에만 의존할 경우, 수동 경계 상자 어노테이션을 사용하는 경우에 비해 위치 추정 성능이 크게 저하됨을 확인하였다. 이는 최적의 모델 성능을 위해 경계 상자 레이블을 활용하는 것의 중요성을 강조한다. 본 논문에서는 수동 경계 상자 어노테이션 없이 위치 추정 정보를 제공하는 새로운 WSOL 평가 프로토콜을 제안한다. 구체적으로, Selective Search, CLIP, RPN과 같은 사전학습된 기성 영역 제안(region proposal) 방법으로부터 노이즈가 포함된 의사 경계 상자(pseudo-box)를 생성하여 모델 선택에 활용하였다. 이러한 경계 상자는 위치 추정 맵에서 임계값을 추정하는 데에도 사용되어 테스트 세트 경계 상자 어노테이션의 필요성을 우회한다. 도전적인 자연 이미지 및 의료 이미지 데이터셋에서 여러 WSOL 방법으로 수행한 실험 결과, 제안하는 의사 경계 상자를 검증에 활용하면 모델 선택과 임계값 추정이 용이해지며, 검증 세트에서 GT 경계 상자로 선택하고 테스트 세트에서 임계값을 추정한 모델과 비슷한 위치 추정 성능을 달성함을 보였다. 또한 클래스 수준 레이블로 선택한 후 위치 추정 맵만으로 동적 임계값을 적용한 모델보다 우수한 성능을 나타냈다.
The number of trees is a central computational parameter in Random Forests: increasing it reduces finite-ensemble variability but increases training and prediction cost. Plateau-based tuning adapts this parameter through local comparisons of out-of-bag scores at a geometric triplet of tree counts. After the remaining hyperparameters have stabilized, however, the central triplet point need not converge to a deterministic value; instead, it fluctuates around a stationary regime. This paper develops a stationary-distribution theory for this process. The central ensemble size $B_t$ is modeled as a birth-death Markov chain on a geometric grid, and its stationary distribution is derived through local balance. Under a leading centered folded-normal approximation, equilibrium equations are obtained for the original update rule and a symmetric modified variant, implying that the stationary center $B_*=O(\varepsilon^{-2})$ as $\varepsilon\downarrow 0$. The stationary spread is also characterized. A local Gaussian approximation and a Fokker-Planck interpretation give grid-level variance constants. After conversion to the ensemble-size scale, $σ_{B,*}=O(\varepsilon^{-2})$, while the variance is $O(\varepsilon^{-4})$. The leading relative spread is independent of $\varepsilon$ and controlled by the scale factor and update rule. These results interpret plateau-based Random Forest tuning as a stochastic process rather than a deterministic stopping rule.
전문가의 사전 지식을 혼합 정수 최적화(MIO) 기반 최적 부분집합 선택(best subset selection)에 통합하기 위해, 최대 사후 확률(MAP) 프레임워크를 활용한 EBBS(Expert-Implied Bayesian Best Subsets) 방법을 제안한다. 도메인 전문가의 특징 관련성 확률 추정치를 포아송 이항 분포, 쌍별 승률, 정규화 평균 순위 등으로 집계하여 로그 오즈 패널티 항으로 목적 함수에 반영함으로써, 전문가 견해가 없을 경우 기존 최적 부분집합 선택과 동일하게 귀결되는 이론적 특성을 보인다.
PAC-베이지안 상계는 데이터 의존적 확률적 예측자에 대한 유한 표본 보장을 제공하지만, 자연스러운 목적 함수가 이차 궤적 비용인 학습 기반 제어에 이를 적용하기는 어렵다. 이러한 손실은 유계되지 않고 Lipschitz가 아니며, 응답 의존적 Chernoff 항을 초래한다. 우리는 선형 시스템의 폐루프 궤적 맵을 직접 드러내고 이차 제어 손실을 명시적 인증에 적합하게 만드는 System Level Synthesis(SLS) 매개변수화를 사용한다. 또한 우리는 실행 가능한 폐루프 응답에 대한 사후 분포에 대해 일련의 PAC-Bayes-Chernoff 인증을 제공한다. 임의 공분산을 갖는 가우시안 외란 궤적에 대해, 우리는 정확한 일변(one-sided) 가우시안 변환과 폐루프 민감도량으로 표현된 계산 가능한 이차 상계를 도출한다. 또한 우리는 점별(pointwise) 폐루프 응답 인증을 사용할 수 없거나 지지(support) 관련 허용성 문제가 있는 설정을 위한 사후 국소화 대리식을 도출한다. PAC-Bayes가 비퇴화(non-degenerate) 사후를 인증하더라도, SLS 손실의 볼록 이차 형태는 인증을 사후 평균 응답으로 전달한다. 우리는 경계(bound) 안에 확률적 사후를 유지하면서 제어에 특히 적합한 결정론적 평균 응답 배포(deployment) 결과를 제시한다. 또한 우리는 이 배포를 위한 데이터 기반 경계를 제공하여 오라클 경계에서 벗어난다. 이 경계를 최소화하면 자연스럽게 데이터로부터 제어 선택을 위한 학습 알고리즘이 얻어진다. 이중 적분기(double integrator)에 대한 수치 실험은 이 알고리즘이 민감도 인식(sensitivity-aware) 유한 표본 정규화자(regularizer) 역할을 하여, 저데이터(low-data) 체제에서 보류(hold-out) 비용을 개선하고 폐루프 민감도를 줄인다는 것을 보여준다.
웨어러블 기기는 일상적인 러너들을 위한 대규모 고차원 학습 로그를 생성하며, 이제 병목은 데이터 수집보다 해석에 있다. 본 논문은 차원 축소 모델 5개, 오토인코더 변형 3종, PCA, 변분 오토인코더(VAE)를 평가하여 9개 센서 러너 프로필을 단일 스칼라 성능 지표인 잠재 점수(latent score)로 압축하는 능력을 검토한다. 설정이 완전 비지도이므로 모델 품질은 두 가지 상보적인 축을 따라 평가된다: 재구성 오차(Mean Squared Error)와 Spearman 및 Kendall 순위 상관, 상호정보량(Mutual Information), 순열 중요도(Permutation Importance)로 측정한 잠재 점수 해석 가능성. 이들은 재구성 정확도만으로 모델을 선택하는 것을 방지하는 복합 선택 기준으로 결합된다. 네 가지 지표의 특징 순위는 수정 Borda count로 집계되며, 부트스트랩 검증을 통해 안정성이 확인된다. 비교의 기준점으로 2개 특징 선형 기준선이 포함된다. Deep autoencoder는 가장 낮은 재구성 오차와 가장 높은 복합 점수를 달성했다. PCA 은닉층을 확장한 뒤 더 깊은 변형들은 복합 기준에서 Deep AE와 근접하게 경쟁하게 되었으며, 이는 제한 요인이 1차원 병목이 아니라 은닉층 용량이었음을 시사한다. 달리기 페이스, 유산소 디커플링(aerobic decoupling), 평균 심박수가 모든 모델과 재샘플링 실행에서 잠재 점수의 지배적 동인으로 나타났으며, 이는 기존 생리학과 일치한다.
우리는 의사결정 이론적 사전학습(decision-theoretic pretraining)이라고 부르는 과정을 통해 시계열 추정량을 학습하는 신경망 기반 프레임워크를 제안한다. 분석가는 생성적 세계(generative world), 데이터 생성 과정에 대한 분포, 그리고 목표 의사결정 목적을 명시한다. 이 세계로부터의 계층화된(stratified) 시뮬레이션으로 학습된 신경망은 대응하는 최적 의사결정 규칙을 근사하며, 이전에 보지 못한 시계열에 대한 제로샷(zero-shot) 추론을 위해 예측, 매개변수 추정, 예측 구간, 또는 모델 선택을 제공하는 신경망 추정량을 만든다. 생성적 세계와 목적의 공동 명세는 추정량이 과정 수준(process-level)의 유한 표본(finite-sample) 특성—근최적 위험(near-optimal risk), 바이어스 제어, minimax 성능, 균일 보정(uniform calibration)—을 직접 근사할 수 있게 한다. 우리의 실험은 이러한 신경망 추정량이 동일한 구조적 모델 클래스에서 최대 가능도 추정 및 AICc를 통한 모델 선택과 같은 전통적 베이스라인을 능가할 수 있음을 보여준다. 또한 구조적 모델의 시뮬레이션만으로 순수하게 학습되었을 때에도, 통계적·신경망·대규모 사전학습 모델과 비교하여 주요 실제 벤치마크에서 경쟁력 있거나 최첨단(state-of-the-art) 예측 정확도를 달성한다. 우리는 AR(p) 모델에서의 유한 표본 바이어스와 miscalibration, 그리고 예측 결합 퍼즐(forecast combination puzzle)이라는 두 가지 오래된 과제를 다루며 프레임워크를 설명한다. 이러한 응용은 해당 접근법의 주요 장점—복잡한 구조 방정식이나 최적성 기준을 포함하여 해석적으로 다루기 어렵거나 계산적으로 불가능한 시계열 문제에 대한 해의 근사 능력—을 부각한다. 궁극적으로, 의사결정 이론적 trade-off에 대한 명시적 통제를 가능하게 함으로써, 이 프레임워크는 분석가에게 각자의 분석적 필요에 맞춘 고효율 추정 도구를 제공한다.
금융 예측에서 예측 성능은 어떤 모델을 학습하는지뿐 아니라, 학습된 모델을 어떻게 배포하는지에도 달려 있다. 우리는 다중 시점 변동성 예측에서 이 문제를 연구한다. 우리의 출발점은, 학습된 다중 출력(MIMO) 예측기가 단일 배포 가능 예측기를 정의하지 않는다는 것이다. 추론 시점 롤아웃 규칙을 바꾸면, 동일한 학습된 모델이 서로 다른 정확도와 비용 특성을 가진 예측군을 유도한다. 20개 주식 변동성 시계열, 세 가지 예측 시점, 선형 모델부터 PatchTST에 이르는 아키텍처에 걸쳐, 비기본 롤아웃 규칙이 표준 MIMO 배포보다 종종 개선됨을 발견한다. 그러나 최적의 고정 규칙은 아키텍처와 시점에 따라 상당히 달라져, 어떤 단일 정적 대안도 신뢰할 수 없게 만든다. 따라서 우리는 유도된 규칙군에 대해 검증 기반 배포 정책을 평가한다. 주요 MSE 목표 하에서, 검증으로 선택된 단일 규칙은 기본 MIMO 대비 저비용 개선을 제공하며, 소규모 규칙 부분집합은 훨씬 낮은 추론 비용으로 더 큰 앙상블의 이점 대부분을 회복한다. 또한 정책 순위는 지표에 민감함을 발견한다. MSE로 선택된 정책이 금융 표준 변동성 손실인 QLIKE에 고르게 전이되지 않는다. 이 결과는 추론 시점 배포가 금융 예측에서 의미 있는 적응성의 원천임을 보여주며, 학습된 변동성 예측기는 아키텍처뿐 아니라 배포 정책으로도 평가되어야 함을 시사한다.
과학 논문의 지수적 증가는 새로운 트렌드의 등장을 촉진했다. 이러한 발전을 정확히 예측하는 것은 연구자와 전문가가 해당 분야의 최신 동향을 파악하는 데 필수적이다. 본 연구는 클러스터링, 토픽 모델링, 시계열 분석을 통합하여 무선 네트워크 및 모바일 컴퓨팅 분야의 트렌드 예측을 위한 자동화 파이프라인을 제시한다. 이 과정은 고임팩트 저널과 학회에서 127,820개의 초록을 수집하는 것으로 시작되며, 이어 광범위한 전처리와 SPECTER 모델을 이용한 의미적 임베딩이 수행된다. AutoCluster는 데이터셋 메타 특성(meta-features)에 기반하여 가장 적합한 클러스터링 알고리즘을 선택하기 위해 메타학습(meta-learning)을 적용하여 의미적으로 일관된 그룹을 형성한다. AutoTopicModeling은 각 클러스터별로 최고 성능의 토픽 모델을 식별하기 위해 연속 절반 축소(successive halving) 전략을 사용하고, 이어 대규모 언어 모델(LLM) 보조 토픽 라벨링과 선택적 라벨 일반화를 수행한다. 마지막으로 AutoTrendAnalysis는 토픽 라벨이 부여된 데이터를 시계열로 변환하고 ARIMA, STL, Prophet, LSTM 등의 예측 모델을 적용하여 향후 토픽 인기도를 예측한다. 토픽은 예측 궤적에 따라 강한 신호, 약한 신호, 또는 노이즈 신호로 분류되어 부상하는 연구 주제와 쇠퇴하는 연구 주제에 대한 해석 가능한 통찰을 제공한다. 이 프레임워크는 확장 가능하고 적응적이며, 과학 분야 전반에 걸친 견고한 트렌드 분석을 위해 설계되었다. 실험 결과는 높은 예측 정확도를 보여 평균 제곱근 오차(RMSE) 36.76을 달성했다.
AI 코딩 에이전트를 실증 경제학 워크플로에 적용해 연구자의 숨겨진 자유도 확장 문제를 해결하고자, 명령 계약·불변 평가기·실험 로그·사후 홀드아웃 평가로 구성된 감사 가능한 에이전트 루프 아키텍처를 제안한다. 예측 결합(forecast combination) 사례에서 독립적인 에이전트 탐색이 peLASSO 실시간 튜닝 문제의 기존 벤치마크를 개선하는 방법을 발견했으며, 홀드아웃 평가를 통해 표본 특정적 발견과 견고한 개선을 구별할 수 있음을 보였다.
쿼리를 k-means로 클러스터링한 뒤 비용 대비 최적 모델로 라우팅하는 1단계와, 저품질 출력을 강력한 모델로 에스컬레이션하는 품질 추정(QE) 캐스케이드 2단계로 구성된 2단계 LLM 서빙 프레임워크를 제안한다. AIME 2024 및 TeleQnA 벤치마크에서 가장 강력한 모델 정확도의 97~99%를 유지하면서 출력 토큰당 시간(TPOT)을 최대 18% 단축하는 성능을 보였다.
실제 사용자는 일반적으로 서로 다른 제공자의 여러 대규모 언어 모델(LLM)에 접근할 수 있으며, 이러한 LLM은 종종 서로 다른 도메인에서 강점을 보이지만 어느 하나도 모든 영역을 지배하지는 않는다. 따라서 각 작업을 가장 적합한 모델로 라우팅하는 것은 성능과 비용 모두에 있어 중요해진다. 기존 라우터는 이를 정적인 일회성 분류 문제로 다룬다. 그러나 우리는 이러한 라우터의 성능 병목이 정보 부족(information deficit)에 있다고 밝힌다: 작업 차원(task-dimension) 수준의 성능 통계로 기본 LLM 라우터를 단순 보강하는 것만으로도 15.3%의 상대적 향상을 얻어, 동일한 차원 수준 사전 지식(priors)을 바탕으로 구축된 휴리스틱 라우터를 능가한다. 이 발견에 영감을 받아, 우리는 라우팅을 C-A-F 루프(Context->Action->Feedback->Context)로 형식화하는 프레임워크인 Agent-as-a-Router를 제안한다. 이는 배포 중 실행에 기반한(execution-grounded) 경험을 축적하여 정보 격차를 메운다. 우리는 이 프레임워크를 Orchestrator, Verifier, Memory 모듈로 구성된 ACRouter로 구현하고, 8개의 프론티어 LLM으로부터 검증된 점수를 갖춘 약 1만 개의 작업 인스턴스로 구성된 평가 환경 CodeRouterBench를 도입하여, 스트리밍 작업에서 regret 기반 라우터 비교를 가능하게 한다. 실험 결과 ACRouter는 분포 내(in-distribution) 작업에서 최저 누적 regret을 달성하고 분포 외(out-of-distribution) 에이전틱 프로그래밍 작업으로도 일반화되어, 우리의 라우팅 프레임워크가 정보 격차를 능동적으로 메운다는 것을 보여준다. 코드와 벤치마크는 https://github.com/LanceZPF/agent-as-a-router 에서 공개되었다.
초과 평균제곱오차(XMSE) 분석에서 커널 기반 경험적 베이즈(EB) 추정이 참 매개변수와 맞지 않으면 최대 가능도(ML)보다 나빠질 수 있다는 진단을 설계 원리로 삼아, ML과 EB 수축을 보간하는 XMSE 인식 혼합 추정량과 폐형식 오라클 가중치·플러그인 구현의 이론적 보장을 제시한다. FIR 시뮬레이션과 Silverbox, Cascaded Tanks 벤치마크에서는 정규화가 도움이 될 때 그 이점을 유지하고 커널 오지정 시 ML 쪽으로 후퇴하는 동작을 확인했다.
시계열 예측에서 모델 스케일링 대신 전처리(컨텍스트 길이, 지역 정규화, 정규화, 증강)를 체계적으로 튜닝하면 Ridge 회귀만으로도 대부분의 성능 격차를 낮은 비용으로 줄일 수 있음을 8개 벤치마크에서 보였다. 최적 룩백은 시계열마다 달라 예측 지평선과 비단조적이고, 후행 구간 정규화가 보편적으로 유리하며, 8개 중 6개 벤치마크에서 Transformer·MLP·CNN 기준선을 넘기는 동시에 최적 하이퍼파라미터가 데이터 구조를 진단하는 단서가 된다.
공유 어휘 LLM에서 SMILES·단백질·유전체 서열처럼 토크나이저는 같지만 예측 목표가 다른 과학 문자열 도메인의 학습 없는 소스 선택 문제를 다루며, 표현 유사도(CKA)만으로는 전이를 판별하기 어려운 활성화-암흑 레짐에서 헤드 Fisher 정렬을 결합 활성화-오차 공간의 커널 평균 임베딩 코사인으로 재정식화하고 FisherSketch로 어휘 규모에서도 단일 스트리밍 패스로 추정한다. Llama-3.1-8B verbalizer 이동 실험과 SMILES 도메인 검증에서 FisherSketch는 활성화 유사도로 작업을 구분하지 못할 때에도 전이 관련 업데이트 구조를 포착한다.
DualEval은 정적 벤치마크의 객관적 정답 레이블과 아레나 방식 선호도 데이터를 공유 잠재 공간에서 공동 캘리브레이션하는 LLM 평가 프레임워크로, 모델 능력과 항목 난이도·선명도를 함께 추정한다. 코딩·수학·도메인 지식·일상 쿼리 네 도메인에서 18개 프론티어 LLM을 평가한 결과, 신뢰할 수 있는 균형 잡힌 모델 순위를 제공하며 학습된 항목 프로파일로 벤치마크 압축과 오염·이상값 탐지 같은 진단에도 활용할 수 있음을 보였다.
생성 모델과 추천 시스템 같은 현대 기계학습 시스템은 배포, 사용자 상호작용, 주기적 모델 업데이트의 순환을 통해 발전하는 경우가 많다. 이는 고정된 예측 과제 시퀀스에 대한 손실 또는 후회 최소화에 초점을 맞추는 표준 지도학습 프레임워크와 다르다. 이러한 설정에 착안하여, 우리는 Angluin(1988)이 도입한 동치 쿼리로부터의 학습이라는 고전적 모델을 재고찰한다. 이 모델에서 학습자는 반복적으로 가설을 제안하고, 배포된 가설이 부적절할 경우 반례를 받는다. 그러나 완전 적대적 반례 생성 하에서는 모델이 지나치게 비관적일 수 있다. 또한 대부분의 선행 연구는 학습자가 반례의 올바른 레이블도 관찰하는 완전 정보(full-information) 설정을 가정하는데, 이는 항상 자연스러운 가정이 아니다. 우리는 환경을 덜 적대적인 반례 생성기의 광범위한 부류로 제한함으로써 이러한 문제를 해결하며, 이를 대칭적(symmetric) 생성기라 부른다. 비형식적으로, 이러한 생성기는 가설과 타깃 사이의 대칭 차집합만을 기반으로 반례를 선택한다. 이 부류는 무작위 반례(Angluin and Dohrn, 2017; Bhatia, 2021; Chase, Freitag, and Reyzin, 2024)와 같은 자연스러운 메커니즘뿐 아니라, 주어진 복잡도 척도에 따라 가장 단순한 반례를 반환하는 생성기도 포괄한다. 이 프레임워크 내에서 완전 정보 피드백과 밴딧(bandit) 피드백 양쪽 설정 하에 동치 쿼리로부터의 학습을 연구한다. 두 설정 모두에서 학습 라운드 수에 대한 타이트한 경계를 도출하고, 향후 연구 방향을 제시한다. 우리의 분석은 대칭적 적대자에 대한 게임 이론적 관점과 적응적 가중치 기법, 그리고 미니맥스(minimax) 논증을 결합한다.