라벨노이즈를 고려한 넨먼피어슨 다중클래스 분류와 경험적 가능도

본 연구는 비용이 비대칭적인 다중클래스 분류 문제를 다루는 넨먼‑피어슨 다중클래스(NPMC) 프레임워크에 라벨 노이즈가 존재할 경우의 방법론을 제시한다. 기존 NPMC 연구는 훈련 라벨이 정확히 관측된다는 전제하에 오류 제어와 가중 위험 최소화를 수행했지만, 실제 데이터에서는 측정 오류, 주석 실수, 혹은 적대적 공격 등에 의해 라벨이 오염되는 경우가 빈번하다. 이러한 상황에서 라벨 노이즈를 무시하면 제약이 과보수되거나 오류가 급증하는 문제가 발생한다. 논문은 먼저 (X, Y, ẽY) 삼중변수를 정의하고, 인스턴스 독립 노이즈 가정(ẽY ⟂ X | Y)을 채택한다. 이를 통해 진짜 라벨 분포와 관측 라벨 분포 사이의 전이 행렬 T*와 혼동 행렬 M*를 도입하고, 식(3)·(4)·(5)에서 각각의 관계를 정형화한다. 특히, 클래스 비율 w*와 오염된 클래스 비율 ẽw는 M*와 T*를 통해 서로 변환 가능함을 보인다. 핵심 아이디어는 지수 기울기(density ratio) 모델을 이용해 모든 클래스 조건부 분포를 하나의 기준 측도 P*_0에 대해 연결하는 것이다. 구체적으로 dP*_k/dP*_0 = exp(γ*_k + ⟨β*_k, g(x)⟩) 형태를 사용하고, 이를 오염된 분포 ẽP*_l에도 동일하게 적용한다(식 9). 여기서 g(x)는 특징 변환 함수이며, 실험에서는 단순히 x 자체를 사용한다. 이 모델은 전이 행렬 T*와 클래스 비율 w*를 파라미터화하지 않고도, γ*, β*, M*만을 추정함으로써 진짜 라벨에 대한 사후 확률 π*_k(x)와 클래스 비율을 복원할 수 있게 만든다. 하지만 지수 기울기 모델은 식별성 문제가 있다. 저자는 두 가지 예시(알제브라적 비식별성, 선형 종속 특징)를 들어 무제한적인 파라미터 조합이 동일한 관측 분포를 만들 수 있음을 보여준다. 이를 해결하기 위해 부록에서 제시한 가정 C.1‑C.3(특징 계수의 구별성, 특징 함수의 풍부성, 기본 측도 존재 등)을 도입하고, 정리 3.1을 통해 엄격한 식별성을 확보한다. 통계적 추정은 경험적 가능도(EL) 프레임워크를 기반으로 한다. 관측 데이터 {(X_i, ẽY_i)}에 대해 EL 함수를 구성하고, 잠재 라벨 Y_i를 EM 알고리즘으로 처리한다. E‑step에서는 현재 파라미터 하에서 각 샘플이 각 진짜 클래스에 속할 확률을 계산하고, M‑step에서는 제한조건(정규화, 식 8) 하에 γ*, β*, M*를 최대화한다. 이 과정은 전통적인 혼합 모델 EM과 유사하지만, DRM 구조와 EL 제약이 추가되어 파라미터 공간이 더 제한된다. 이론적 결과는 다음과 같다. (i) 최대 EL 추정량은 일관성(consistency)을 가지며, (ii) 점근 정규성(asymptotic normality)을 만족하고, (iii) 표본 크기 n에 대해 최적 수렴률 O_p(n^{-1/2})를 달성한다. 이러한 추정량을 이용해 복원된 w*와 π*_k(x)를 NPMC 최적화에 직접 투입하면, 제약식 P*_k(ϕ̂(X)≠k) ≤ α_k를 만족하는 분류기 ϕ̂를 얻는다. 정리 5.2에서는 이 분류기가 “NP oracle inequality”를 만족함을 증명한다. 즉, 실제 라벨에 대한 오류율이 오라클 분류기와 차이가 O_p(ε(n)) 수준으로 수렴한다. 실험에서는 (1) 제안 EL‑EM 방법, (2) 라벨 노이즈를 무시한 기존 NPMC, (3) 전이 행렬을 사전에 알고 있는 베이스라인을 비교한다. 합성 데이터에서는 노이즈 비율을 0%부터 30%까지 변화시키며, 제안 방법이 오라클에 근접한 오류 제어와 전체 정확도를 유지함을 확인한다. 실제 의료 이미지 데이터(CheXpert)에서도 라벨이 의사 주석에 의해 불완전한 상황을 시뮬레이션했으며, 제안 방법이 기존 방법보다 F1 점수와 클래스별 오류 제어에서 현저히 우수했다. 결론적으로, 이 논문은 라벨 노이즈가 존재하는 다중클래스 위험 기반 분류 문제에 대해, 전이 행렬을 사전 지식 없이도 추정하고, 경험적 가능도와 EM을 통해 효율적으로 학습하는 최초의 프레임워크를 제공한다. 이론적 식별성, 점근적 성질, 그리고 실험적 검증을 모두 갖춘 점에서 통계학·머신러닝 분야에 중요한 실용적·학문적 기여를 한다.