본 논문은 인공 신경망이 연속 함수를 근사할 수 있다는 점에 착안하여, 과도한 파라미터와 높은 계산 비용을 요구하는 기존 접근 방식의 문제점을 해결하고자 합니다. 이를 위해 고정된 기준점과 해당 중선 좌표를 통해 구조와 파라미터를 인코딩하는 소형 얕은 아키텍처인 Barycentric Neural Network(BNN)을 제시합니다. BNN은 연속 조각별 선형 함수(CPLF)를 정확하게 표현할 수 있으며, CPLF가 컴팩트 영역의 모든 연속 함수를 균일하게 근사할 수 있다는 점을 활용하여 유연하고 해석 가능한 함수 근사 도구로 제시됩니다. 또한, 기준점 수가 적거나 훈련 에포크가 제한적인 저자원 환경에서 기하학적 충실도를 향상시키기 위해, 영속 엔트로피의 안정적인 변형인 길이 가중 영속 엔트로피(LWPE)를 제안합니다. LWPE 기반 손실 함수를 사용하여 BNN 내부 파라미터가 아닌 기준점을 최적화하는 방식을 통해, 표준 손실 함수(MSE, RMSE, MAE, LogCosh)보다 우수한 성능과 빠른 근사 속도를 달성하여 계산 효율적인 함수 근사 대안을 제시합니다.
