ML/DL 전공하신 분들께만 (재미없는) 질문드립니다.

대부분의 dnn은 파라미터가 무수히 많은 거지 non parametric은 아닙니다. 

https://stats.stackexchange.com/questions/322049/are-deep-learning-models-parametric-or-non-parametric

그런데, 제가 본문에서 언급했듯이 parameter 수가 많고 적음에 따라 정의되는 그  parameter가 아니라 assuming data distribution을 하느냐 아니냐로 정의되는게 parametric이야 non-parametric model 이지 않는가 하는게 제 생각이고요  구글링해보니  여러가지 의견이 보이는군요 아래는 제 의견에 부합되는 링크입니다.

https://www.quora.com/How-is-it-that-Neural-Networks-are-nonparameteric-models
 

https://www.quora.com/Are-Neural-Networks-parametric-or-non-parametric-models

그리고 걸어주신 링크에 한 댓글도 이런게 있군요

"Deep learning models should not be considered parametric. Parametric models are defined as models based off an a priori assumption about the distributions that generate the data."

https://en.wikipedia.org/wiki/Nonparametric_statistics

Wikipedia에 보면 non-parametric은 imprecise하게 두가지로 정의되는 경향이 있다는 군요. 하나는 말씀하신대로 parametric distribution이라고 가정하지 않는 경우 두번째는 model의 structure 가 픽스되지 않은 경우네요. 

오... 신기하네요. 전 nn은 당연히 non-parametric이라 생각했는데 다르게 생각하는 사람들도 많군요. 제 기준은 modeling하고자하는 시스템의 data generation process를 수식으로 표현하여 예측하려는 모델은 parametric. 반대로 시스템/dgp와 상관없이 동일한 모델 폼을 적용하는 범용 모델은 non-parametric이라 생각합니다. 

저도 당연히 그렇게 생각하고 있었는데, 구글링 해보니 다른 의견 (정의)이 많이 있어서, 이게 맞다고 단정짓지 못하겠네요.