연구진이 2차원 모델의 학습 계수를 정확하게 계산하는 최초의 결정론적 알고리즘을 개발했어요. 이 알고리즘은 Kullback-Leibler 발산의 국소적인 실제 로그 정규 임계값(RLCT)을 활용합니다. 이 방법은 다항식 신경망을 포함한 다양한 모델에 적용 가능하며, 샘플링 기반 추정기 교정에 활용될 수 있습니다.
기존 정보 기준은 특이 모델에 대한 규칙성 가정을 위반하여 부정확한 모델 선택을 야기했지만, WBIC는 학습 계수를 활용하여 정확한 주변 가능도 비유도체론적 근사값을 제공합니다. 이 알고리즘은 샘플링 기반 추정기보다 빠르며, 학습 계수의 대수적 구조를 밝혀냅니다.
새로운 알고리즘은 복잡도에 대한 경계를 도출했으며, 얕은 영역에서 샘플링 기반 방법보다 빠릅니다. 이 연구는 샘플링 기반 추정기를 교정하는 데 도움이 될 뿐만 아니라, 학습 계수의 숨겨진 대수적 구조를 드러냅니다.