잠재공간에서 암시적 매니폴드의 지오데식 계산

초록

본 논문은 오토인코더가 학습한 잠재공간을 암시적 서브매니폴드로 모델링하고, 이를 기반으로 불완전한 표현에서도 강인하게 동작하는 이산 리만 기하학 연산(지오데식 보간·외삽·지수지도)을 제안한다. 매니폴드에 대한 근사 투영을 잡음 제거 목표로 학습하고, 증강 라그랑주 방법으로 제약 최적화를 수행한다. 다양한 메트릭과 실제 데이터 실험을 통해 기존 방법 대비 정확도와 유연성을 입증한다.

상세 분석

이 연구는 잠재공간을 명시적 파라미터화 없이 암시적 함수 ζ(z)=z−Π(z) 로 정의함으로써, 매니폴드의 차원·코디멘션이 사전에 알려지지 않아도 적용 가능한 프레임워크를 제공한다. 핵심 아이디어는 Π (잠재공간 → 매니폴드) 를 잡음 제거(denoising) 손실을 최소화하도록 신경망으로 학습하는 것이다. 이렇게 얻은 ζ 는 완벽하지 않을 수 있지만, 정상 방향을 근사적으로 제공하므로 증강 라그랑주(augmented Lagrangian) 기법을 이용해 제약 ζ(z)=0 을 완화하면서도 경로가 매니폴드에 머무르게 한다.

이산 지오데식 계산은 연속 경로 에너지 E(z)=∫g_z(ẋ,ẋ)dt 를 시간 이산화하여 E_K=∑{k=1}^K W(z{k-1},z_k) 로 근사한다. 여기서 W 는 거리 제곱을 2차 오차까지 정확히 근사하는 로컬 비용 함수이며, 선택된 메트릭에 따라 W_E (유클리드), W_{PB} (디코더를 통한 풀백), W_M (원본 데이터 공간 거리) 등으로 구분된다. Rumpf & Wirth(2015)의 수렴 이론을 그대로 적용해 K→∞ 일 때 이산 최소화 해가 연속 지오데식에 수렴함을 보장한다.

최적화는 라그랑주 승수 Λ 와 페널티 파라미터 μ 를 순차적으로 업데이트하는 증강 라그랑주 알고리즘으로 수행된다. 이때 ζ 와 그 야코비안 Dζ 가 정확히 알려지지 않아도, ζ 가 매니폴드의 법선 방향을 충분히 근사하면 수렴이 유지된다. 또한, 지오데식 외삽을 위한 이산 지수지도 Exp_K 는 첫 두 점으로부터 초기 속도 v₀=K(z₁−z₀) 를 정의하고, F(z_{k+1},λ_k)=μ²‖ζ(z_{k+1})‖²+‖∂_{z_k}L‖² 을 BFGS로 최소화함으로써 구현한다.

실험에서는 합성 토러스와 회전·스케일 변형된 문자 이미지 등에서 학습된 Π 와 ζ 를 사용해 지오데식 보간·외삽을 수행하였다. 결과는 완전한 암시적 표현(ground‑truth ζ)과 비교했을 때, 경로가 데이터 분포를 잘 따르고, 선형 보간에 비해 시각적으로 자연스러운 변형을 제공한다. 또한, 다양한 오토인코더(VAE, deterministic AE)와 메트릭(유클리드, 풀백) 조합에서도 일관된 성능을 보이며, 기존 방법이 요구하는 매니폴드 차원 사전 지식이나 특정 메트릭에 대한 제한을 크게 완화한다.

이 논문의 주요 기여는 (1) 암시적 매니폴드 표현을 위한 잡음 제거 기반 투영 학습, (2) 불완전한 암시적 함수에도 강인한 이산 지오데식 계산 프레임워크, (3) 다양한 메트릭과 오토인코더 구조에 독립적인 적용 가능성, (4) 실험을 통한 실용성 검증이다. 특히, 증강 라그랑주와 이산 변분 접근법을 결합함으로써, 고차원 데이터의 저차원 잠재 구조를 기하학적으로 활용할 수 있는 새로운 길을 제시한다.