PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.18618v3cs.LG

제약 조건이 있는 머신러닝을 위한 확률적 페널티-배리어 방법

Stochastic Penalty-Barrier Method for Constrained Machine Learning

제약 조건이 있는 머신러닝(Constrained Machine Learning, CML)은 공정성을 고려한 학습(fairness-aware training), 물리 정보 신경망(PINN), 그리고 통계적 모델로의 기호적 도메인 지식 통합을 가능하게 합니다. 본 연구에서는 CML 문제를 위한 확률적 페널티-배리어 방법(Stochastic Penalty-Barrier Method, SPBM)을 소개합니다. SPBM은 쌍대 변수의 지수 평균, 안정화된 페널티 스케줄, 그리고 비매끄러움(non-smoothness)을 다루기 위한 모로 포락선(Moreau envelope)을 결합하여 고전적인 페널티 및 배리어 방법을 확장합니다. 또한 미니배치 처리가 배리어 함수에 도입하는 바이어스를 분석하고, 변환된 문제의 실행 가능 집합이 원래의 실행 가능 집합 내에 포함됨을 보입니다. 다양한 공정성 및 물리 정보 신경망 실험을 통해 SPBM을 CML 베이스라인들과 비교한 결과, SPBM이 최신 SOTA(state-of-the-art) 방법들과 경쟁력 있는 성능을 보임을 확인했습니다. 아울러 공정성 기반의 계산 벤치마크에서, CML 방법들의 에포크당 실행 시간은 제약 조건의 수와 대체로 무관하며, 제약 조건 수가 90개에서 9900개에 이르는 범위에서도 정규화된 Adam의 에포크당 실행 시간 대비 1.3배 이내임을 관찰했습니다.