분포 이동(Distributional Shifts) 환경 하의 강건 학습 통계적 특성: DRO와 RS 프레임워크의 유한 표본 일반화 오차 분석
📌 핵심 요약 (Key Takeaways) 타겟 환경 일반화 오차 도출: 소스 데이터 학습 후 분포가 변화된 타겟 배포 환경에서 DRO(Distributionally Robust Optimization)와 RS(Robust Satisficing)의 유한 표본 일반화 오차 상한을 규명함. Wasserstein 차원의 저주 회피: 고차원 센서 데이터 처리 시 발생하는 표본 복잡도 한계를 극복하고 하이퍼파라미터 규제 페널티와 민감도 간의 상충 관계를 수학적으로 증명함. 무인이동체 현장 … 더 읽기