커플링 기반 가역 신경망, 모든 미분동형사상 근사 가능

초록

본 논문은 커플링 흐름(CF) 기반 가역 신경망(CF‑INN)이 충분히 일반적인 층 구조를 가질 경우, 모든 C²‑미분동형사상을 Lᵖ 혹은 sup‑노름에서 근사할 수 있음을 증명한다. 핵심은 “affine coupling + invertible linear” 를 포함하면 보편성을 확보한다는 실용적 기준을 제시한 것이다.

상세 분석

논문은 먼저 가역 신경망의 표현력을 평가하기 위한 세 가지 유니버설리티 개념(Lᵖ‑유니버설, sup‑유니버설, 분포 유니버설)을 명확히 정의하고, 이들 사이의 함의 관계를 정리한다. 핵심 정리인 Theorem 1은 G라는 가역 함수 집합이 “piecewise C¹‑diffeomorphism” 혹은 “locally bounded” 라는 약한 정규성을 만족하면, D₂(일반 C²‑diffeomorphism), T_∞(증가 삼각 변환), S_∞ᶜ(단일 좌표 변환) 세 클래스에 대한 유니버설리티가 서로 동치임을 보인다. 이는 복잡한 변환을 단순한 삼각형 혹은 좌표별 변환으로 분해할 수 있다는 미분기하학적 구조 정리를 활용한 결과이며, 함수 합성만 허용되는 흐름 모델의 제한을 극복한다.

다음으로 Theorem 2에서는 H‑ACF(단일 좌표 affine coupling) 흐름을 사용한 INN이 H가 C^∞_c(ℝ^{d‑1})에 대한 sup‑유니버설 근사자를 제공하고, 각 흐름이 piecewise C¹이면 S₀ᶜ(컴팩트 지원 변환)를 Lᵖ‑노름에서 근사할 수 있음을 증명한다. 여기서 H는 ReLU‑MLP와 같이 일반적인 신경망 구조가 될 수 있다. Theorem 1과 결합하면, H‑ACF를 포함하는 모든 CF‑INN이 D₂ 전체에 대해 Lᵖ‑유니버설리티를 갖는다.

마지막으로 Lemma 1을 이용해 Lᵖ‑유니버설리티가 분포 유니버설리티를 함의함을 보이며, 따라서 affine coupling 기반 정상 흐름 모델이 절대 연속·특이 분포 모두를 근사할 수 있음을 확인한다. 이 결과는 기존에 증명되지 않았던 “affine coupling 흐름이 분포 유니버설리티를 가짐”이라는 오픈 질문을 해결한다. 논문은 또한 DSF, SoS 등 기존 흐름 모델이 Theorem 1에 의해 자동으로 D₂에 대한 sup‑유니버설리티를 갖는다는 부가적인 해석을 제공한다. 전체적으로, 보편성 판단을 “affine coupling + invertible linear” 여부로 단순화한 실용적 기준을 제시함으로써, 새로운 흐름 설계가 기존 모델보다 표현력이 부족한지 여부를 빠르게 검증할 수 있게 한다.