정상 확산 학습을 위한 스테인형 커널 편차 손실

초록

본 논문은 정 stationary diffusion(정상 확산)의 파라미터를 목표 분포와 일치시키는 학습 문제를 다룬다. 기존의 Kernel Deviation from Stationarity(KDS)를 개선한 Stein‑type KDS(SKDS)를 제안하고, SKDS가 0이 될 때 학습된 확산의 stationary 분포가 목표 분포와 동일함을 보인다. 또한 SKDS는 넓은 파라미터화 하에서 볼록성을 가지며, 경험적 SKDS는 고확률에서 ε‑quasiconvex임을 증명한다. 실험 결과, SKDS는 KDS와 비슷한 정확도를 유지하면서 계산 비용을 크게 절감하고, 대부분의 기존 베이스라인보다 우수한 성능을 보인다.

상세 분석

이 논문은 확률 미분 방정식(SDE)의 stationary 분포를 목표 분포와 맞추는 파라미터 추정 문제를 Stein 불일치(framework)와 RKHS 기반 커널 방법을 결합해 해결한다. 기존 KDS는 마팅게일 문제 Eμ