머신러닝 (Machine Learning) 모델과 데이터셋이 계속해서 성장함에 따라, 복잡한 모델을 개발하는 데 필요한 계산 요구량이 점점 더 증가하고 있습니다. 지식 증류 (Knowledge Distillation)는 잘 훈련된 대규모 교사 모델 (Teacher Model)을 소형 학생 모델 (Student Model)로 압축하여 배포 비용을 줄여주지만, 교사 모델 자체를 구축하는 과정이 병목 현상이 되는 설정에 대해서는 해결책을 제시하지 못합니다. 이러한 과제에서 영감을 얻어, 우리는 작고 비용이 저렴한 학생 모델의 정보를 사용하여 더 복잡한 교사 모델의 개발을 가이드하는 역 지식 증류 (Reverse Knowledge Distillation) 프레임워크인 지식 폭포 (Knowledge Cascade, KCas)를 소개합니다. 일반적으로 교사가 더 큰 표현 능력 (Representational Capacity)을 갖기 때문에 이러한 방향은 직관에 어긋나 보일 수 있지만, 우리는 통계적 스케일링 관계 (Statistical Scaling Relationships)에 의해 뒷받침될 때 학생에서 교사로의 전이가 원칙적으로 가능하다는 것을 보여줍니다. 우리는 먼저 스무딩 스플라인 (Smoothing Splines)을 통해 재생 커널 힐베르트 공간 (Reproducing Kernel Hilbert Spaces)에서의 비모수 다변량 함수 추정 (Nonparametric Multivariate Functional Estimation)을 위한 KCas를 개발하였으며, 여기서 여러 개의 스무딩 파라미터 (Smoothing Parameters)를 선택하는 것은 주요한 계산 병목 현상입니다. KCas는 점근적 스케일링 법칙 (Asymptotic Scaling Laws)을 통해 학생이 선택한 스무딩 파라미터를 전체 샘플 체제 (Full-sample Regime)로 전달하며, 이론적 보장을 유지하면서도 고차원 및 대규모 데이터셋에 대한 계산 비용을 실질적으로 줄여줍니다. 스무딩 스플라인을 넘어, 우리는 커널 밀도 추정 (Kernel Density Estimation) 및 딥러닝 하이퍼파라미터 전이 (Deep Learning Hyperparameter Transfer)를 통해 동일한 원리를 입증합니다. 시뮬레이션 및 실제 데이터 실험 결과, KCas는 강력한 통계적 성능을 유지하면서 상당한 계산 절감을 달성하며, 때로는 그에 상응하는 전체 샘플 절차 (Full-sample Procedure)보다 뛰어난 성능을 보일 수 있음을 보여줍니다.