전이 학습을 위한 전이 라데마허 복잡도와 그 활용

본 논문은 전이 학습(transductive learning) 분야에서 데이터 의존적인 일반화 오류 경계를 제공하기 위한 새로운 이론적 도구인 “전이 라데마허 복잡도(transductive Rademacher complexity)”를 제안한다. 전이 학습은 전체 데이터 집합(표시된 훈련 샘플 m개와 비표시된 테스트 샘플 u개)이 고정된 상태에서, 훈련 샘플을 무작위로 선택하고 그에 대한 라벨을 이용해 테스트 샘플의 라벨을 예측하는 문제이다. 기존 인덕티브 학습에서는 가설 공간을 사전에 고정해야 하지만, 전이 상황에서는 전체 비표시 데이터까지 관찰한 뒤 가설 공간을 정의할 수 있다. 이를 반영하기 위해 저자는 확률 p∈