연구진은 제약 조건이 있는 머신러닝 환경에서 SPBM(Stochastic Penalty-Barrier Method)을 제안했어요. SPBM은 페널티 및 배리어 방법을 확장하여 딥러닝에서 흔히 발생하는 비볼록, 비부드러운, 확률적 환경에 적합하도록 설계됐어요.
기존 방법과 비교했을 때 SPBM은 성능이 우수하며, 제약 조건이 최대 1만 개까지일 때 unconstrained Adam에 비해 선형적인 런타임 오버헤드만 발생해요.
SPBM은 공정성 기반 학습, 물리 기반 신경망, 상징적 도메인 지식 통합 등 다양한 분야에 활용될 수 있어요.