반복 측정 데이터를 위한 일반화된 딥 회귀
Generalized Deep Regression for Repeated Measurements
본 논문에서는 렐루(ReLU) 심층 신경망을 사용하여 반복적인 이진, 계수(count) 또는 연속형 반응을 갖는 독립적인 단위(unit)들로부터 주변 회귀 함수(marginal regression function)를 추정하는 문제를 연구한다. 이 모델에서는 각 단위 내의 의존성이 관측되지 않는 확률적 평균 함수(random mean function)에 의해 생성된다고 가정한다. 이어서 볼록(convex) 일반화 회귀 손실로 신경망을 적합한다. 조건부 측정 변동과 단위 간 변동을 분리함으로써 오라클 부등식(oracle inequality)을 보인다. 또한 $n$개의 단위와 단위당 $m$번의 측정이 있을 때, 렐루 신경망이 $\beta$-횔더(Hölder) 클래스에서 로그 인자를 제외하고 $n^{-1}+(nm)^{-2\beta/(2\beta+d)}$ 차수의 적분 평균제곱오차(integrated mean squared error)를 달성할 수 있음을 증명한다. 아울러 군집(cluster) 크기가 서로 다른 경우를 위한 가중 오라클 부등식과 합성적으로 매끄러운(compositionally smooth) 함수에 대한 수렴률도 도출한다. 점별(pointwise) 앙상블 추론을 위해 사영 중심극한정리(projection central limit theorem)를 제시하고, 명시적인 점근적 선형성 조건 하에서 무한소 잭나이프(infinitesimal jackknife)의 일치성을 증명한다. 이론적 결과와 실용적 시사점을 뒷받침하기 위해 시뮬레이션과 실제 데이터 예제를 제공한다.