본 논문은 선형 모델에서 중요 데이터 포인트를 식별하는 데 널리 사용되는 norm-based 및 leverage-score-based 방법들을 비선형 모델로 일반화하는 새로운 방법을 제시합니다. 비선형 사상의 adjoint operator 개념을 도입하여, norm 및 leverage score 기반의 중요도 샘플링을 비선형 설정으로 확장합니다. 이러한 일반화된 norm과 leverage score를 기반으로 한 샘플링이 선형 부분 공간 임베딩과 유사하게 기저 비선형 사상에 대한 근사 보장을 제공함을 보여줍니다. 응용 사례로, 이러한 비선형 score들은 대규모 데이터셋에서 효율적인 샘플링을 통해 비선형 모델 학습의 계산 복잡도를 줄일 뿐만 아니라, 모델 설명 및 이상치 탐지에 대한 새로운 메커니즘을 제공합니다. 이러한 기여는 다양한 지도 학습 시나리오에 대한 이론적 분석과 실험 결과를 통해 뒷받침됩니다.
