부정적 종속 배치를 활용한 샘플 평균 근사 해의 신뢰구간 개선

본 논문은 확률적 최적화 문제에서 최적 목표값의 하한을 추정하기 위한 샘플 평균 근사(SAA) 방법의 신뢰구간 품질을 향상시키는 새로운 샘플링 기법을 제시한다. 전통적으로는 Monte Carlo(MC)와 라틴 하이퍼큐브(LH) 방식이 사용되어 왔으며, 특히 LH는 각 차원을 균등하게 분할해 시나리오를 배치함으로써 MC보다 낮은 분산과 바이어스를 제공한다는 것이 입증되어 왔다. 그러나 기존 연구에서는 여러 SAA 문제를 동시에 풀 때 각 배치를 독립적으로 생성했기 때문에, 전체 시나리오 집합이 전체 공간을 고르게 커버하지 못하고, 배치 간 상관관계가 전혀 없었다. 이는 하한 추정치 L_{n,t}= (1/t)∑_{r=1}^t v_n(D_r)의 분산을 제한하는 요인으로 작용한다. 논문은 이 한계를 극복하기 위해 두 가지 부정적 종속 배치 생성 방법을 도입한다. 첫 번째는 슬라이스 라틴 하이퍼큐브(Sliced Latin Hypercube, SLH)이며, 이는 전체 n·t개의 시나리오를 t개의 슬라이스로 나누어 각 슬라이스가 자체적으로 LH 구조를 유지하도록 설계한다. 구체적으로, 각 차원 k에 대해 1,…,n의 순열을 t번 복제하고, 각 복제본에 서로 다른 무작위 오프셋 γ_{ik}^{(r)}∈U