랜덤 특징을 이용한 확장 가능하고 적응적인 분포 회귀

요약

본 논문은 계산 비용이 높은 기존 커널 기반 분포 회귀의 한계를 극복하기 위해 랜덤 특징 근사(random feature approximations)를 활용한 새로운 프레임워크를 제안합니다. 특히, Random Feature Distribution Regression (RaDR)과 적응형 버전인 A-RaDR을 개발하여 이론적 분석과 실제 데이터셋 실험을 통해 높은 예측 성능과 계산 효율성을 동시에 달성했음을 입증했습니다.

핵심 포인트

• 분포 회귀의 한계 극복을 위해 랜덤 특징 근사 기반 RaDR을 제안함.
• RaDR은 정확한 커널 분포 회귀와 유사한 예측 성능을 유지하며 계산 효율성을 높임.
• A-RaDR은 다운스트림 목표에 따라 랜덤 특징을 적응적으로 할당하여 학습 정확도를 개선함.