다변량 컨포멀 예측을 위한 커널 비적합도 점수 (MKS)

요약

본 논문은 다변량 데이터의 불확실성을 모델링하는 데 필요한 새로운 '다변량 커널 점수(Multivariate Kernel Score, MKS)'를 제안합니다. MKS는 잔차 벡터를 스칼라로 압축하면서도 원래 분포가 가진 기하학적 구조를 보존하도록 설계되었습니다. 이 점수는 가우시안 프로세스 (Gaussian Process)의 사후 분산과 유사하여 베이즈 불확실성 정량화와 빈도주의적(frequentist-type) 커버리지 보장이라는 두 가지 장점을 통합합니다. 특히, MKS는 비등방성 최대 평균 불일치(anisotropic MMD)

핵심 포인트

• MKS는 잔차 벡터를 스칼라로 압축하면서 분포의 기하학적 구조를 유지하는 다변량 커널 점수를 제공합니다.
• 제안된 MKS는 가우시안 프로세스 (GP) 사후 분산과 유사하여 베이즈와 빈도주의적 접근법을 통합합니다.
• MKS는 비등방성 최대 평균 불일치(anisotropic MMD)로 분해 가능하며, 커널 밀도 추정 및 공분산 가중 거리 사이를 보간합니다.
• 커버리지 보장과 수렴 속도가 주변 차원(ambient dimension)이 아닌 커널 기반 공분산 연산자의 유효 랭크에 의존하여 차원 독립적인 적응을 가능하게 합니다.
• 회귀 작업에서 MKS는 타원형 기준선 대비 예측 영역의 부피를 크게 줄여주면서도 명목상의 커버리지를 유지합니다.