그래프 기반 지상 메트릭 학습

초록

본 논문은 최적 수송(OT) 거리의 핵심인 지상 메트릭을 그래프 위의 지오데식 거리 형태로 제한하여 학습하는 새로운 프레임워크를 제안한다. 관측된 시간에 따른 확률분포의 변화를 OT 보간(변위 보간)과 일치시키도록 그래프의 엣지 가중치를 최적화하고, 이를 위해 이방성 확산 방정식의 희소 해석과 자동 미분을 활용한다. 실험은 합성 데이터와 색상 변화 영상에 적용되어 제안 방법의 효율성과 정확성을 입증한다.

상세 분석

이 논문은 최적 수송 거리(Wasserstein distance)의 근본적인 파라미터인 지상 메트릭을 어떻게 선택하느냐가 실제 응용에 결정적인 영향을 미친다는 점을 출발점으로 삼는다. 기존의 지상 메트릭 학습(GML) 연구들은 일반적인 거리 행렬을 직접 최적화하거나, 메트릭이 반드시 대칭·양정·삼각 부등식을 만족해야 한다는 제약 하에 복잡한 반사영 연산을 수행한다. 저자들은 이러한 접근법의 계산 복잡도와 메모리 요구량을 크게 낮추기 위해, 메트릭을 “그래프 위의 지오데식 거리”라는 구조화된 형태로 제한한다. 구체적으로, 그래프의 각 엣지에 양의 가중치를 부여하고, 이 가중치가 정의하는 이방성 확산 연산자를 통해 두 정점 사이의 최단 경로 거리를 계산한다. 이때 거리 함수는 확산 커널의 로그-라플라시안 형태와 동일하게 해석될 수 있어, 연속적인 미분 가능성을 확보한다는 장점이 있다.

학습 목표는 관측된 확률분포 시계열(시작·끝 히스토그램 사이에 존재하는 중간 히스토그램들)이 해당 그래프 메트릭 하에서의 Wasserstein 보간(즉, 변위 보간)과 최대한 일치하도록 하는 것이다. 이를 위해 저자들은 중간 히스토그램들을 “Wasserstein barycenter” 문제로 재구성하고, 엔트로피 정규화된 OT 손실을 사용한다. 엔트로피 정규화는 Sinkhorn 알고리즘을 통한 효율적인 최적화와, 전체 파이프라인에 대한 부드러운 자동 미분을 가능하게 한다. 다만, Sinkhorn 반복을 자동 미분하면 메모리 사용량이 급증할 수 있기 때문에, 저자들은 확산 과정에 대한 폐쇄형 그라디언트 식을 도출하여 메모리 부담을 크게 줄였다.

최적화는 quasi‑Newton 방법(L‑BFGS 등)으로 수행되며, 그래프 가중치 파라미터에 대한 그라디언트는 (1) 확산 방정식의 해에 대한 미분, (2) Sinkhorn 반복을 통한 OT 손실의 미분, (3) barycenter 계산 과정의 미분을 결합한 형태이다. 이때 그래프는 일반적인 격자 형태일 수도, 비정형 네트워크일 수도 있어, 다양한 도메인에 적용 가능하다.

실험에서는 (i) 합성 그래프에서 인위적으로 만든 질량 이동 시나리오, (ii) 실제 이미지 시퀀스에서 조명·재질 변화에 따른 색상 팔레트 변화를 사용하였다. 두 경우 모두 학습된 그래프 메트릭이 원래 유클리드 거리 기반 OT와 비교해 중간 히스토그램들을 훨씬 정확히 재현했으며, 시각적으로도 변위 보간 경로가 관측된 흐름에 잘 맞는 것을 확인했다. 또한, 메모리·시간 복잡도 측면에서 기존 메트릭 행렬 최적화 대비 수십 배의 효율성을 보였다.

이 논문의 주요 기여는 다음과 같다. 첫째, 지상 메트릭을 그래프 기반 지오데식 거리로 제한함으로써 구조적 제약을 활용한 효율적인 학습 프레임워크를 제시한다. 둘째, 이방성 확산 방정식의 희소 해석과 자동 미분을 결합해 대규모 OT 기반 역문제에서도 실용적인 계산량을 달성한다. 셋째, 전통적인 GML이 요구하는 쌍·삼중점 제약 대신, 시간에 따른 질량 이동이라는 연속적인 관측을 직접 활용한다는 점에서 새로운 데이터 활용 방식을 도입한다. 마지막으로, 공개된 파이썬 구현과 데이터셋을 제공함으로써 재현 가능성을 높이고, 향후 그래프 기반 메트릭 학습 연구에 기반을 제공한다.