조건부 독립을 넘어선 Schrödinger Bridge 기반 통계적 매칭
Statistical Matching via Schrödinger Bridge beyond Conditional Independence
통계적 매칭(statistical matching)은 공변량 $X$를 공유하지만 목표 변수 $Y$와 보조 변수 $Z$를 각각 별도로 관측하는 부분적으로 겹치는 데이터셋을 결합한다. 고전적 접근법은 일반적으로 조건부 독립 가정(conditional independence assumption, CIA)을 사용하는데, 이는 문제를 식별 가능하게 만들지만 근본적으로 $X$가 알려진 이후에는 가져온 보조 변수가 $Y$에 대한 추가적인 예측력을 제공하지 않는다는 것을 의미한다. 이 잠재적인 $Y$--$Z$ 종속성을 포착하기 위해, 우리는 예측적 통계적 매칭을 위한 새로운 종속성 인식(dependency-aware) Schrödinger bridge를 제안한다. 우리의 접근법은 운송(transportation) 기반 호환성 비용으로 보수적인 CIA 기준선을 기울여 두 분리된 데이터베이스를 결합하고, 정보가 있는 결합 분포를 복원한다. 그 결과로 얻어진 통계적 학습 프레임워크는 양방향 대치(imputation)를 위한 완전한 확률적 사후 규칙을 제공한다. 이론적으로, 학습된 bridge가 CIA 기준선 대비 엄격히 개선되는 충분 조건을 확립하고, 적절한 비용 하에서 가우시안 설정에서 정확한 결합 복원 보장을 함께 제시한다. 합성 벤치마크와 실제 데이터셋(CelebA 및 Adult)에 걸쳐, 우리는 종속성 인식 완성(completion)이 하류 예측 유용성을 일관되게 개선함을 보이며, 기저 모집단이 강한 $Y$--$Z$ 종속성을 보이는 데이터 재코딩(data recoding)과 같은 설정에서 특히 유익함을 입증한다.