Convergence analysis for nonparametric density estimation with generative models
연구 내용
GAN, shallow generative model, diffusion model을 비모수 밀도추정기로 해석하고 Hellinger 또는 total variation 기준의 수렴률을 규명하는 연구입니다
생성모델을 암시적 밀도추정기로 간주하여 비모수 밀도추정의 수렴률을 통계 이론 관점에서 분석합니다. 특정 잠재변수 구조를 갖는 shallow generative model에서 Hellinger metric 기준의 near minimax 성질을 도출하고, diffusion model을 score-based 접근으로 해석하여 분포가 저차원 요인으로 분해되는 구조에서 총변동 거리의 최적률을 목표로 설계합니다. 또한 GAN 기반 비모수 추정에서 singular distribution에 대한 수렴률을 다룹니다. 실제 네트워크가 반영하는 희소 가중치 공유 구조가 이론적 이득과 연결되는 점을 강조합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
2건
연구 흐름
2023년에는 1차원 잠재변수의 shallow generative model을 통해 비모수 밀도추정에서 수렴률과 네트워크 단순성의 상호관계를 다뤘습니다. 2025년에는 GAN을 이용한 singular distribution 추정의 수렴률을 분석하며 생성모델의 적용 범위를 넓혔습니다. 같은 시기 diffusion model을 확률적 생성과 통계적 추정의 연결로 재정의하고, 요인분해 구조가 있는 고차원 문제에서 차원 저주의 완화 조건을 제시했습니다. 최근에는 생성모델의 구조적 가정과 거리 기반 성능 지표를 연결해 이론-모델 설계를 함께 발전시키는 흐름입니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Rates of convergence for nonparametric estimation of singular distributions using generative adversarial networks
Minimax optimal density estimation using a shallow generative model with a one-dimensional latent variable
Nonparametric estimation of a factorizable density using diffusion models
관련 프로젝트
구분
제목
베이지안 학습법에 관한 통계 이론 연구
베이지안 학습법에 관한 통계 이론 연구