본 논문은 실세계에 배포된 모델의 예측으로 인한 데이터 분포 변화를 고려하는 수행적 예측(Performative Prediction) 프레임워크를 다룹니다. 특히 변화하는 환경에서 모델 배포 후 데이터 분포가 동일하게 유지되는 안정적인 해에 빠르게 수렴하는 것이 중요합니다. 이 논문은 이전 재훈련 스냅샷의 기록 데이터셋을 활용하여 반복적 위험 최소화(Repeated Risk Minimization, RRM) 프레임워크를 확장하여, 저자들이 Affine Risk Minimizers라고 부르는 알고리즘 클래스를 제시하고 더 넓은 범주의 문제에 대해 수행적으로 안정적인 지점으로의 수렴을 가능하게 합니다. 논문에서는 최종 반복 데이터셋만을 사용하는 방법에 대한 새로운 상한을 제시하고, 이 새로운 상한과 기존 상한의 동일 영역 내에서 최초로 그 엄밀성을 증명합니다. 또한, 기록 데이터셋을 활용하면 최종 반복 RRM에 대한 하한을 뛰어넘을 수 있음을 증명하고, 다양한 수행적 예측 벤치마크에서 안정적인 지점으로의 더 빠른 수렴을 실험적으로 관찰합니다. 동시에 Affine Risk Minimizers 클래스 내에서 RRM에 대한 최초의 하한 분석을 제공하여, 본 프레임워크의 다른 변형을 통해 달성할 수 있는 수렴 속도 개선의 잠재력을 정량화합니다.
