샘플 기반 생성 모델을 위한 의사결정 인지 학습
Decision-Aware Training for Sample-Based Generative Models
샘플 기반 생성 모델은 위험도가 높은 의사결정 환경에서 확률적 예측(probabilistic forecasting)을 위해 점점 더 많이 활용되고 있지만, 기존의 학습 목표는 의사결정자의 비용 구조를 고려하지 못합니다. 이러한 모델들은 일반적으로 에너지 점수(energy score)와 같이 엄격한 적정 점수 규칙(strictly proper scoring rules)으로 학습되며, 이는 하류(downstream) 의사결정에서 예측 오차로 인해 가장 큰 비용이 발생하는 지점을 인지하지 못한 채 데이터 밀도에 비례하여 학습 신호를 할당합니다. 이에 따라 본 논문에서는 에너지 점수 목표에 모델의 예측을 기반으로 행동할 때 발생하는 비용에 직접 페널티를 부여하는 미분 가능한 의사결정 손실을 보강한, 샘플 기반 생성 모델을 위한 의사결정 인지 학습(decision-aware training)을 제안합니다. 이 의사결정 손실 자체가 적정 점수 규칙이므로 결합된 손실은 이론적으로 타당합니다. 본 방법은 미분 가능한 최적화 층을 통해 의사결정 손실을 계산하며, 해당 그래디언트는 출력 공간에서 비용에 민감한 영역에 집중되므로 비용 구조로부터 방법의 효과를 해석하고 예측할 수 있습니다. 합성 데이터 태스크 하나와 실제 환경 태스크 두 가지를 통해 본 방법을 검증하였습니다. 합성 태스크에서 본 방법은 학습된 바이모달(bimodal) 분포의 모드 가중치를 보정하고, 풍력 발전 급전 태스크에서는 드물지만 큰 비용이 발생하는 꼬리(tail) 영역에 개선을 집중시키며, 서리 방지 태스크에서는 의사결정 비용이 얼마나 잘 예측되는지를 개선합니다. 본 연구의 방법은 완전한 확률적 예측을 유지하면서도 의사결정자의 특정 비용 구조에 더 잘 정렬(alignment)된 생성 모델을 산출합니다.