평면 이징 모델의 효율적 정확 추론

본 논문은 평면(플래너) 그래프 구조를 갖는 이진 라벨 이징 모델에 대해, 서브모듈러티 제약 없이 정확한 추론을 수행할 수 있는 일련의 다항 시간 알고리즘을 제시한다. 먼저, 일반적인 이진 그래프 모델의 에너지 함수를 노드 에너지와 에지 에너지의 합으로 표현하고, 이를 추가적인 바이어스 노드(고정된 라벨)와 결합해 순수 이징 형태(불일치 비용만을 갖는)로 변환한다(정리 1). 이 변환은 에너지 차이만을 보존하므로, 원래 모델과 동일한 MAP 해와 파티션 함수를 갖는다. 다음으로, 평면성이라는 구조적 제약을 활용한다. 평면 그래프는 회전 시스템(각 정점에서 인접 에지들의 순환 순서)으로 완전하게 기술될 수 있으며, Boyer‑Myrvold 알고리즘을 통해 선형 시간에 평면 임베딩을 얻는다. 평면 임베딩이 확보되면, 원 그래프의 각 면(face)을 정점으로, 면 사이를 공유하는 에지를 연결해 확장된 이중 그래프(dual graph)를 만든다. 이 이중 그래프는 모든 면이 2‑셀(디스크) 형태이므로, 완전 매칭(다이머 커버링) 문제와 일대일 대응한다. 핵심 정리는 다음과 같다. (1) 이징 모델의 전체 에너지 합은 이중 그래프에서 선택된 매칭의 가중합과 동일하다. (2) 최소 에너지 상태는 최소 가중 완전 매칭에 해당한다. (3) 로그 파티션 함수는 모든 완전 매칭의 가중합에 대한 로그이며, 이는 Pfaffian 또는 Kasteleyn 방법과 동등하게 계산될 수 있다. (4) 특정 에지의 변별 확률은 해당 에지가 매칭에 포함될 확률로, 매칭의 가중합을 이용해 직접 구한다. 알고리즘 구현은 두 가지 기존 서브루틴에 크게 의존한다. 첫째, 평면 임베딩을 얻는 Boyer‑Myrvold 알고리즘; 둘째, Edmonds의 Blossom 알고리즘을 기반으로 한 최대 가중 완전 매칭 알고리즘. 두 서브루틴 모두 오픈소스로 제공되며, 논문에서는 이를 C++ 라이브러리로 래핑해 사용자가 그래프를 입력하면 자동으로 임베딩, 매칭, 그리고 MAP·파티션·마진 계산을 수행하도록 설계했다. 평면성 제약을 완화하기 위해 B‑outerplanar 개념을 도입한다. 바이어스 노드와 연결되는 노드 집합 B가 외부 면에 모두 위치하도록 임베딩을 선택하면, 전체 그래프가 완전 평면일 필요 없이도 동일한 매칭 기반 추론이 가능하다. 이는 이미지 처리에서 경계 픽셀에만 바이어스를 두는 경우에 자연스럽게 적용된다. 연산 복잡도는 평면 그래프에 대해 O(n³) 이하이며, 실제 구현에서는 O(n log n) 수준의 성능을 보인다. 그래프의 종단(genus)이 낮은 경우, 동일한 매칭 기반 접근법을 적용해 종단에 대한 지수적 비용만 추가된다. 따라서 격자 구조, 의료 영상, 화학 구조 등 저차원 평면 그래프에 매우 적합하다. 논문은 이 프레임워크를 이용해 최대 마진 CRF 파라미터 학습을 수행한다. 최대 마진 학습에서는 손실-augmented MAP 추론이 필요하고, 이는 다시 매칭 문제로 변환된다. 따라서 서브그라디언트는 정확히 계산되며, 기존 그래프 컷 기반 방법보다 학습 속도가 빠르고, 테스트 정확도도 동등하거나 약간 우수함을 실험을 통해 입증한다. 실험에서는 2D 격자 CRF를 이용한 이미지 디노이징과 경계 검출 과제를 수행했으며, 파라미터 추정에 소요되는 시간은 그래프 컷 대비 2~3배 빠르고, PSNR 및 IoU 지표에서도 경쟁적인 성능을 보였다. 마지막으로, 저자들은 전체 코드를 오픈소스로 제공하고, 향후 비평면 그래프에 대한 확장, 다중 라벨(다중 클래스) 문제, 그리고 GPU 가속 구현 등에 대한 가능성을 제시한다.