PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14064v1math.ST

스펙클 회귀를 위한 가능도 기반 심층 학습의 미니맥스 이론

Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression

스펙클 노이즈(speckle noise)는 합성 개구레이더(synthetic aperture radar), 광학적 간섭단층촬영(optical coherence tomography), 디지털 홀로그래피(digital holography)와 같은 일관(coherent) 영상 방식에서 흔히 나타나는 승산(multiplicative) 노이즈이다. 실무에서 심층 학습 방법은 스펙클 제거(speckle denoising)에서 최첨단 성능을 달성했지만, 그 근본적인 통계적 한계는 아직 거의 탐구되지 않았다. 가법(additive) 노이즈 모델과 달리, 승산 스펙클 노이즈는 회귀 함수가 조건부 평균으로부터 식별 불가능(unidentifiable)하게 만들어, 기존의 최소제곱법(least-squares) 기반 심층 학습 접근법을 적용할 수 없게 한다. 우리는 승산 스펙클 노이즈와 가법 가우스 노이즈가 모두 포함된 모델 하에서, 가능도 기반 심층 신경망(DNN) 추정량(estimator)을 사용한 매끄러운 비모수(nonparametric) 회귀 함수의 미니맥스 추정(minimax estimation)을 연구한다. 우리의 프레임워크는 저차원 및 희소(sparse) 고차원 특징(feature)을 모두 수용한다. 우리는 제안한 DNN 추정량의 추정 오차에 대한 유한 표본(finite-sample) 상계(upper bounds)를 확립하고, 우리 모델 하에서 비모수 함수 복원(function recovery)에 대한 미니맥스 하계(lower bounds)를 유도하며, 표본 크기(sample size)에서 로그 인수(logarithmic factors)까지 일치함을 보인다. 게다가 이러한 미니맥스 비율(rate)은 가법 가우스 노이즈만 있는 비모수 회귀에서의 비율과 로그 인수까지 일치하며, 승산 스펙클 노이즈가 제기하는 난제에도 불구하고 추정의 본질적 난이도(intrinsic difficulty)는 근본적으로 변하지 않음을 보여준다. 수치 실험(numerical experiments)은 DNN 기반 디스펙클링(despeckling) 방법의 일치성(consistency)을 추가로 뒷받침하고 그 효과를 입증한다.

arXiv:2606.22993v1math.ST

재생 커널 힐베르트 공간에서의 일반화된 비모수 회귀: 일관성과 수렴 속도

Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence

재생 커널 힐베르트 공간(RKHS)에서 정규화 M-추정(regularized M-estimation)의 통합 이론을 제시하고, 스펙트럴 복잡도(spectral complexity)에 기반한 편향-분산 분해로 다양한 볼록·비볼록 손실(강건 손실 포함) 하에서 추정량의 존재·수치가능성과 선명한 수렴 속도를 증명한다. 텐서 곱 Sobolev 공간에서는 dominating mixed smoothness와 연결된 새로운 수렴률을 도출해 고차원에서 차원의 저주를 완화하는 이유를 설명한다.