매칭 원리: 불필요한 변수에 강건한 표현 학습을 위한 손실 함수의 기하학적 이론

강건성 (Robustness), 도메인 적응 (domain adaptation), 광학 및 폐쇄 불변성 (photometric and occlusion invariance), 구성적 일반화 (compositional generalisation), 시간적 강건성 (temporal robustness), 정렬 안전성 (alignment safety), 그리고 고전적인 비등방성 정규화 (anisotropic regularisation)는 보통 별개의 방법론 군을 가진 서로 다른 문제들로 취급됩니다. 본 논문은 이들의 공유된 구조 중 상당 부분이 하나의 통계적 문제임을 주장합니다. 즉, 레이블을 보존하는 배포 시의 불필요한 변수 (nuisance)의 공분산 (covariance)을 추정하고, 그 공분산의 범위를 포함하는 행렬을 따라 인코더 자코비안 (encoder Jacobian)을 정규화하는 것입니다 (매칭 원리, the matching principle). CORAL, 적대적 학습 (adversarial training), IRM, 증강 (augmentation), 메트릭 학습 (metric learning), 자코비안 패널티 (Jacobian penalties), 그리고 정렬 스타일의 제약 조건 (alignment-style constraints)은 독립적인 강건성 기법들이 아니라, 해당 객체를 추정하는 서로 다른 추정기들입니다. 선형-가우시안 모델 (linear-Gaussian model)에서 우리는 매칭된 범위 내에서의 세제곱근 워터 필링 (cube-root water-filling)을 포함하여 폐쇄형 최적성 (closed-form optimality)을 증명하며 (정리 A), 이차 자코비안 패널티 (quadratic Jacobian penalties)에 대한 범위 커버리지의 필요성 (정리 G), 딥 글로벌 미니마 (deep global minima)에서의 동일한 범위 이분법, 그리고 두 가지 반증 제어 (보조정리 C; 따름정리 E)를 증명합니다. 또한 표준 식별 가능성 가정 (standard identifiability assumptions) 하에서의 추정을 위한 7개의 조건부 일관성 보조정리 (D1-D7)를 제시합니다. 우리는 작업 정확도나 자코비안 프로베니우스 노름 (Jacobian Frobenius norm)이 불충분할 때 임베딩 민감도를 레이블 없이 조사할 수 있는 궤적 편차 지수 (Trajectory Deviation Index, TDI)를 도입합니다. 고전적 머신러닝 (ML)부터 Qwen2.5-7B에 이르기까지 13개의 사전 등록된 블록을 통해 기하학 및 배포 드리프트 (deployment drift)에 대해 예측된 매칭된 순서, 등방성 (isotropic) 순서, 그리고 잘못된 W 순서를 테스트했습니다. 12개가 통과하였으며, 유일한 예외인 (Office-31)은 실행 전 명시된 고유값 간극 실패 (eigengap failure)였습니다. 7B 규모에서, 매칭된 스타일-PMH는 선택적 정직성 (selective honesty)을 개선하며, 표준 DPO가 이를 저하시키는 곳에서도 스타일 TDI를 보존합니다. 본 논문의 기여는 모든 리더보드에서의 보편성이 아니라, 배포 시의 불필요한 변수 공분산을 명명하고, 정규화기가 수행해야 할 일을 기술하며, 해당 객체가 식별되었을 때 폐쇄형으로 반증 가능한 이론을 제공하는 것입니다.