조건부 정규화 흐름을 활용한 역문제 불확실성 정량화 가속화

초록

본 논문은 대규모 역문제에서 관측‑해답 쌍을 이용해 학습한 조건부 정규화 흐름(Conditional Normalizing Flow, CNF)을 사전학습(pre‑training) 모델로 활용하고, 새로운 관측에 대해 동일한 구조의 흐름을 warm‑start 방식으로 재학습함으로써 베이지안 사후분포 추정의 학습 시간을 크게 단축시키는 두 단계 전이학습 프레임워크를 제안한다. synthetic 실험을 통해 Gaussian 모델과 지진 영상 복원 사례에서 warm‑start이 무작위 초기화 대비 수십 배 빠른 수렴을 보임을 입증한다.

상세 분석

이 연구는 역문제 해결에 있어 “지도학습(supervised)”과 “비지도학습(unsupervised)” 사이의 격차를 흐름 기반 전이학습으로 메우는 전략을 제시한다. 먼저, 관측 y와 해답 x가 동시에 제공되는 대규모 데이터셋 {(x_i, y_i)} 을 이용해 조건부 정규화 흐름 T 을 학습한다. T는 입력 (x, y)를 잠재공간 (z_x, z_y) 으로 변환하고, 역변환 T⁻¹ 을 통해 잠재 변수 z_x 를 샘플링함으로써 p(x|y)≈p_T(x|y)를 얻는다. 이 단계는 KL‑다이버전스를 최소화하는 최대우도 학습으로, Jacobian determinant |det J_T| 를 포함한 손실 함수를 사용한다.

그 다음, 새로운 관측 y₀ 가 기존 데이터와 분포가 다를 경우(예: 다른 전산 모델, 다른 잡음 수준, 혹은 완전히 새로운 물리적 파라미터) 기존 흐름 T 의 출력 π_X∘T⁻¹ (π_X는 x 성분 추출)을 초기값 S₀ 으로 삼아 새로운 흐름 S (또는 \bar S )을 학습한다. 이는 식 (9) 에서 보듯 “warm‑start” 혹은 “preconditioning” 형태의 전이학습이며, 사전학습된 사후분포를 새로운 문제의 사전분포 p_pr(x₀) 로 재활용한다. 이렇게 하면 초기 파라미터가 이미 관측‑해답 관계를 반영하고 있기 때문에, 최적화 경로가 크게 단축되고, 특히 고차원 PDE 기반 시뮬레이션에서 요구되는 수천 번의 전방 연산을 크게 절감한다.

실험에서는 저차원 Gaussian 모델과 64×64 크기의 지진 이미지 복원 두 가지 사례를 제시한다. Gaussian 실험에서는 정확한 사후 평균·공분산을 분석적으로 계산할 수 있어, warm‑start이 10배 이상 빠르게 손실을 감소시키는 것을 확인했다. 지진 이미지 실험에서는 압축센싱 행렬 A 을 적용한 관측 y₀ 에 대해, 무작위 초기화된 흐름은 20 000 이터레이션 이후에도 의미 있는 복원을 못 내놓는 반면, warm‑start 흐름은 몇 천 이터레이션만에 원본 이미지와 매우 근접한 조건부 평균과 합리적인 불확실성(표준편차) 지도를 제공한다.

핵심 인사이트는 다음과 같다. (1) 조건부 정규화 흐름은 베이지안 사후분포를 명시적으로 추정하면서도 메모리 효율적인 역전파가 가능해 대규모 이미지 문제에 적합하다. (2) 사전학습된 흐름을 새로운 관측에 대한 사전분포로 재활용함으로써 전이학습이 자연스럽게 베이지안 사전‑사후 구조에 녹아든다. (3) 전통적인 MCMC 기반 사전‑사후 샘플링 대비, 흐름 기반 변분 추정은 학습 단계에서 한 번만 고비용 전방 연산을 수행하면 되므로, 실제 현장 적용(예: 지진 탐사, 광음향 영상)에서 계산 비용을 크게 낮출 수 있다.