우리는 데이터가 부족한 학습에서 표현 품질의 명시적 구성 요소로서 잠재 기하를 연구한다. 인코더 (\phi)에 대해 (Q_{\beta,\gamma}(\phi)=I(\phi(X);Y)-\beta\mathcal C(\phi)-\gamma d_{\mathrm{int}}(\phi))를 정의하며, 이는 과제 관련 정보에 곡률과 내재적 잠재 차원에 대한 페널티를 결합한 것이다. 이에 따라 기하는 사후 진단에 그치지 않고 병목 기준의 일부가 된다. 매끄러운 다양체, 손실 전이, 추정량 집중에 관한 가정 아래에서, 내재 차원과 피복 복잡도가 명시적으로 들어가는 비점근적 저레이블 일반화 경계를 도출한다. 또한 정보-기하 프런티어를 규명하고 경험적 대리 목적함수의 일치성을 증명한다. 이 분석은 잠재 피복수, 손실 클래스 엔트로피, 균등 편차를 통해 인코더 기하를 학습과 연결한다. 우리는 이 이론을 변분 병목 학습에 곡률 및 차원 페널티를 추가한 \texttt{V-GIB}로 구현한다. 실제 저레이블 벤치마크에서 (1%)–(20%) 레이블 비율에 걸쳐 \texttt{V-GIB}를 ERM, VIB 및 절제 실험과 비교한다. 결과는 특히 FashionMNIST와 CIFAR-10을 비롯한 여러 영역에서 성능이 향상되고 기하적 복잡도가 감소함을 보여 주며, 동시에 보편적으로 우세한 고정 정칙화 항은 존재하지 않음을 확인한다.
순환단전(load shedding)의 영향을 받는 지역에서의 태양광(PV) 발전 예측은 신뢰할 수 있는 과거 관측 데이터가 부족하여 난도가 높습니다. 본 연구에서는 심각한 데이터 희소성 환경에서 태양광 발전 예측 성능을 향상시키고 신뢰성 있는 불확실성 추정치를 제공하기 위해 컨포멀 분위수 회귀(Conformalized Quantile Regression, CQR)와 결합된 전이학습(transfer learning) 프레임워크를 제안합니다. 호주 앨리스스프링스(Alice Springs)의 소스 도메인 태양광 데이터셋을 활용해 시계열 예측 모델을 사전학습(pre-training)한 후, 다양한 수준의 과거 데이터 가용성을 모사한 방글라데시 시뮬레이션 태양광 데이터에 이를 적응시킵니다. 실험 결과에 따르면, 전이학습은 타깃 도메인 데이터가 1개월치만 가용할 때 RMSE를 최대 23.7% 감소시켰으며, 3개월치의 데이터가 있을 때는 13.7% 감소시켰습니다. 제안된 전이학습 및 CQR 프레임워크는 3개월의 타깃 데이터로 94.3%의 경험적 커버리지(empirical coverage)를 달성하는 동시에, 전이학습을 적용하지 않은 경우보다 14% 더 좁은 예측 구간을 생성했습니다. 이러한 결과는 타깃 도메인의 태양광 데이터가 극히 제한적인 상황에서 전이학습과 컨포멀 불확실성 정량화의 결합이 점 예측 정확도와 불확실성 신뢰도를 모두 향상시킬 수 있음을 입증합니다.