기계 학습 모델의 출력에 대한 제약 조건 충족을 보장하는 문제는 특히 안전이 중요한 분야에서 많은 응용 프로그램에 중요합니다. 기존 방법은 훈련 시간에 기반한 페널티 방법(제약 위반을 피할 수 없음), 제약 조건별 모델 아키텍처(예: 단조성), 또는 계산 비용이 많이 드는 최적화 문제를 풀어야 하는 출력 투영에 의존합니다. 본 논문에서는 볼록하고 경계가 있는 실행 가능 영역(별 영역으로 일반화 가능)에 대한 출력 공간에서 제약 조건을 적용하는 새로운 방법인 초구면 제약 표현을 제시합니다. 본 방법은 유클리드 좌표를 제약 영역을 기준으로 하는 초구면 좌표로 변환하는 다른 표현 시스템에서 작동하며, 본질적으로 실행 가능한 점만 나타낼 수 있습니다. 합성 및 실제 데이터 세트에 대한 실험 결과, 본 방법은 다른 방법과 비교하여 예측 성능이 비슷하고, 100% 제약 조건 충족을 보장하며, 추론 시간의 계산 비용이 최소임을 보여줍니다.
