최적수송 기반 분포강건 최적화의 통계적 보장

논문은 분포강건 최적화(DRO)의 두 가지 주요 변형, 즉 최적수송(OT) 기반 DRO와 OT‑정규화 f‑다이버전스를 결합한 DRO에 대한 유한표본 통계적 보장을 체계적으로 제시한다. 서론에서는 DRO가 적대적 학습에서 모델의 일반화와 강건성을 향상시키는 핵심 도구임을 강조하고, 기존 연구가 주로 p‑와셔스틴 거리와 고정 반경 r 에 초점을 맞추어 왔으며, 이는 소프트 제약 형태의 비용 함수에 대한 이론적 분석이 부족함을 지적한다. 이러한 배경에서 저자들은 두 가지 기여를 제시한다. 첫째, 소프트 제약 노름볼 비용을 포함한 일반적인 OT 비용 함수에 대해 새로운 농축 부등식을 도출한다. 둘째, OT‑정규화 f‑다이버전스를 이용해 적대적 샘플 생성과 샘플 재가중치를 동시에 수행하는 최신 적대적 학습 기법에 대한 최초의 통계적 수렴 결과를 제공한다. 배경 섹션에서는 확률 공간 Z 를 폴리시 공간으로 설정하고, 비용 함수 c: Z×Z→