연구진이 역문제 해결을 위한 학습 재구성 연산자를 훈련할 때 고정된 노이즈 모델을 사용하면 테스트 환경의 분포가 달라질 때 성능이 저하돼요. 분산적 강건성 최적화(DRO)를 통해 최악의 경우 분포에 맞춰 최적화하는 방법이 있지만, 기존 방식은 전체 결합 분포를 균일하게 교란하여 지나치게 보수적이며 측정 과정의 물리적 특성을 무시해요.
새로운 DRO 프레임워크는 데이터 획득 과정과 일치하는 구조적 교란을 통해 불확실성을 모델링하고, 데이터 중심의 강건한 재구성 연산자를 학습할 수 있도록 설계됐어요. 데이터 순방향 연산자 및 노이즈 모델의 불확실성을 보다 정확하게 반영하여, 확률적 순방향 연산자로 표현 가능한 모든 노이즈 모델을 수용할 수 있어요.
이 프레임워크는 강한 이중성을 확립하고, 결합, 주변, 조건 분포에서의 교란에 대한 명시적인 유한 차원 이중 표현을 도출하며, Tikhonov 정규화를 유도하고 표준 DRO보다 덜 보수적인 위험 경계를 설정해요. 디블러링 및 시너지-to-CT 재구성과 같은 수치 실험에서 표준 DRO 및 MSE 기준선보다 향상된 강건성, 안정성 및 해석 가능성을 보여줬어요.
선형 설정에서는 학습 연산자가 효과적으로 저랭크가 되며, 데이터의 본질적인 차원에서 잘리고, 잘린 SVD 정규화의 데이터 중심 유사체를 회복해요.