여러 센터(기관)에 걸쳐 예측 모델을 학습시키는 경우, 일반적으로 모든 센터가 동일한 공변량(covariate) 집합을 수집한다고 가정한다. 그러나 실제로는 각 센터가 관측값에 대해 서로 다른 특징(feature)을 기록할 수 있으며, 본 논문에서는 이러한 상황을 공변량 불일치(covariate mismatch)라고 부른다. 우리는 센터별로 MCAR(완전 무작위 결측, Missing Completely At Random) 결측 패턴을 가정한 이 어려운 상황에서의 선형 예측을 연구하며, 이질적인 특징 집합에도 불구하고 센터 간 정보를 활용하는 추정량을 개발한다. 저차원 영역에서는 공분산 및 교차 모멘트 추정값의 성분별 집계에 기반한 오라클 선형 예측기의 플러그인 추정량을 제안한다. 고차원에서는 교환 가능성을 보존하는 결측치 대치(imputation) 절차를 이용해 결측 공변량을 먼저 완성한 다음 리지(ridge) 정규화 선형 모델을 적합시키는 대치 후 회귀(impute-then-regress) 전략을 연구한다. 제안된 모든 추정량은 연합학습(federated learning) 제약 조건과 호환되며, 개별 수준의 데이터는 각 센터 내에 그대로 유지되고 집계된 값만 교환된다. 우리는 전역 차원, 센터별 특징 분할, 센터 간 샘플 분포에 따른 예측기의 거동을 명시적으로 특성화하는 점근적(asymptotic) 및 유한 표본(finite-sample) 학습 속도를 제공하며, 수치 실험을 통해 본 접근법을 검증한다.
과매개변수화 선형 회귀에서, 많은 약한 스펙트럼 방향은 신호를 담는 스펙트럼에 릿지 패널티처럼 작용한다. 음수 릿지는 필터를 1 위로 밀어 올리는 자연스러운 보정이다. 그러나 안정적인 음수 릿지 엔드포인트는 구조적으로 한계가 있다: 그 극은 0이 아닌 최소 경험적 고유값 아래에 머물러야 하며, 더 작은 고유값을 더 큰 고유값보다 더 강하게 반수축(anti-shrink)한다. 조기 종료 음수 이동 경사하강법은 이 제약을 벗어난다. 그 필터는 예정된 극에서 매끄럽고 혼합 부호를 허용한다: 릿지리스(ridgeless) 이상 방향은 선행 접두를 형성하고, 더 낮은 방향은 수축되거나 노출(exposure)이 제어되며, 종료 시점이 교차점을 설정한다. 가우시안 스파이크-플랫(spike-plus-flat) 모델에서 Marchenko-Pastur 장벽을 발견한다: 암시적 패널티를 상쇄하는 이동(shift)은 최소 경험적 고유값 위 bulk 폭(bulk width)에 위치하며, 명시적 조건 하에서 종료된 경로는 모든 허용 가능한 엔드포인트 대비 위험(risk)에서 다항식 계수만큼 개선한다. 주요 정리는 일반적인 고유효순위(high-effective-rank) 꼬리를 허용한다: 그 trace가 암시적 하한(floor)을 설정하고, 제곱 스펙트럼이 노출을 제어하며, 하한 임계(floor-critical) 경로는 양의 수축(positive shrinkage)을 넘어 한꺼번에 모든 head 스케일을 복원하고, 스케일이 분리되면 릿지리스의 모든 균일 재스케일링까지도 포함한다. 비수축(noncontractive) 이동 동역학을 다루는 것이 핵심 기술적 과제이며, 국소화된 Duhamel 적분이 이를 제어한다. 유한 격자 홀드아웃(hold-out) 부등식이 분리(separations)를 검증으로 선택된 알고리즘으로 전달한다.
선형 회귀에서 이산 전체 배치 경사하강법의 동역학을 최소한의 분포 가정 하에 분석하여, 임의의 학습률 스케줄과 유한 시간 범위에서의 조기 종료(early stopping) 해가 일반화된 릿지 회귀(ridge regression)의 최소 노름(minimum norm) 해와 동치임을 증명하였다. 또한 다양한 학습률 스케줄과 임의 스펙트럼 데이터에서 조기 종료가 일반화 성능 향상에 유익함을 이론적으로 보이고, 최적 종료 시점 추정치를 제안하여 실험적으로 검증하였다.
우리는 로컬 모집단 위험 증분 \(Pδ_v=R(θ_0+v)-R(θ_0)\), \(v\in\mathcal D\)에 대한 유한 표본 인증서를 개발한다. 기본 대상은 기댓값 유효 상한 끝점 \(\widehat{\mathsf U}_{\mathcal D}\)으로, \(\mathbb E\sup_{v\in\mathcal D} \{Pδ_v-\widehat{\mathsf U}_{\mathcal D}(v)\}\le0\)을 만족한다. 이 균일 기준은 동일한 표본으로부터 선택된 임의의 가측 업데이트를 인증하며, 패널티가 경험적 기하에 의존하도록 허용한다. 주된 구성은 선형 특징(feature) 클래스에 대한 교차 적합 릿지 보정이다. 파일럿 폴드가 릿지 메트릭을 학습하고, 보완 폴드가 해당 메트릭에서의 평균 제곱 오차를 보정하며, 완전 분할 평균화가 방향적 이차 형식 \(\widehat q_{X,λ}\)에서 완전 경험적 공분산을 복원한다. 최적화된 진단 척도는 \(\{\widehat q_{X,λ}(h) \widehat r_{X,n_{\rm p},λ}^{\rm cf}/n\}^{1/2}\)이며, 보정된 대각합 인수 \(\widehat r_{X,n_{\rm p},λ}^{\rm cf}\)는 통상적인 릿지 유효 차원 \(\widehat r_{X,λ}\)와 비교된다. 비매끄러운 손실의 경우, 정확한 고정 마스크 분해 \(δ_v=J_v^0+R_v^\circ+C_v\)가 고정 테일러 요동, 좋은 경로 나머지, 경계면 교차를 분리한다. 선형 및 복합 인증서를 성분별로 적용하면 동일 표본 기대 로컬 탐색 및 집중 해제 규칙에 대한 끝점을 산출한다.
본 연구는 자유 주행 시뮬레이션에서 생성된 CFD 데이터로부터 선박 유체력 계수를 식별하기 위한 지도 학습 기법을 조사합니다. 구체적으로, 일반 최소제곱법(OLS)과 정규화 회귀 방법을 Abkowitz 유형의 기동 모델에 적용합니다. 학습 및 검증 데이터셋은 지그재그 및 선회 기동에 대한 URANS 시뮬레이션 결과에서 도출되었으며, 실험용 벤치마크 데이터를 통해 검증되었습니다. 본 분석은 계수 집합의 크기, 예측 모델 학습에 필요한 최소 학습 길이, 그리고 기동 조합이 모델 성능에 미치는 영향을 평가합니다. 결과에 따르면, 적절한 계수 선택, 회귀 모델 또는 입력 데이터 변동성을 통해 다중공선성이 해결된다면 대각 지그재그 기동이 유체력 시스템 식별에 적합함을 보여줍니다. 더 큰 계수 집합은 가변 조건에 대한 모델 유연성을 높여주지만, 다중공선성에 더 취약합니다. 정규화 회귀 기법은 다중공선성을 효과적으로 완화하고 예측 정홅도를 현저히 향상시키는데, 더 다양한 기동 데이터를 포함하는 것 또한 동일한 효과를 보입니다. 테스트된 모델 중 릿지 회귀(Ridge regression)가 계산 효율성과 예측 정홅도 사이에서 최상의 절충안을 제공했습니다.