연속 표현으로 이산 구조를 다루다

초록

CORDS는 이산 객체 집합을 밀도와 특징 필드라는 연속 함수로 변환하는 가역 매핑을 제안한다. 밀도 필드의 총 질량이 객체 수를 직접 제공하고, 커널 형태의 합성으로 위치를 복원하며, 동일 커널을 이용한 특징 필드 투영으로 속성을 정확히 재구성한다. 이를 통해 모델은 전적으로 연속 필드 공간에서 학습·생성하고, 필요 시 언제든지 정확한 이산 집합으로 디코딩할 수 있다. 다양한 도메인(분자 생성·예측, 이미지 객체 검출, 천문학 시뮬레이션 기반 추론, 수학적 로컬맥시마 문제)에서 경쟁력 있는 성능을 보이며, 가변 크기 집합을 자연스럽게 처리한다.

상세 분석

CORDS의 핵심 아이디어는 객체 집합 S={ (r_i , x_i) }i=1^N 을 동일한 커널 K(r; r_i) 로 겹쳐서 두 개의 연속 필드 ρ(r)와 h(r)를 만든 뒤, 이 변환이 완전 가역(bijective)임을 보장하는 것이다. ρ(r)= (1/α)∑{i=1}^N K(r; r_i) 로 정의된 밀도 필드는 각 커널이 동일한 질량 α를 갖도록 정규화했기 때문에, 전체 질량 ∫Ω ρ(r)dr = N 이 되어 객체 수를 직접 읽어낼 수 있다. 위치 복원은 ρ(r)가 커널의 평행 이동 합이라는 사실을 이용해, 최소화 문제 min_{r_1,…,r_N}‖ρ(r)−(1/α)∑K(r; r_i)‖_2^2 를 풀어 전역 최소점이 원래 좌표가 된다는 점을 이용한다. 실제 구현에서는 gradient‑based 최적화를 사용해 근사 해를 얻으며, 필요 시 후처리로 정밀도를 높인다.

특징 복원은 동일 커널 집합 {κ_i(r)=K(r; r_i)} 가 h(r)의 부분공간을 형성한다는 점에 기반한다. Gram 행렬 G_{ij}=∫Ω κ_i(r)κ_j(r)dr 가 양정(positive‑definite)이면, B_i=∫Ω h(r)κ_i(r)dr 로 정의된 벡터 B와 G를 이용해 X=α G^{-1}B 를 구함으로써 원래 특성 벡터 x_i 를 정확히 복원한다. 이 과정은 커널의 선택(예: 가우시안)과 충분한 샘플링만 보장하면 언제든 적용 가능하다.

실용적인 측면에서 CORDS는 연속 도메인 Ω 위의 필드를 유한한 샘플 집합 {(r_m, ρ(r_m), h(r_m))}_{m=1}^M 으로 변환한다. 이미지와 시계열처럼 격자 구조가 자연스러운 경우는 균일 샘플링을, 3D 분자처럼 신호가 국소화된 경우는 ρ(r)에 비례한 중요도 샘플링을 채택한다. 모델 아키텍처는 입력 형태에 따라 달라진다. 격자 데이터는 2D/1D CNN을, 비정형 포인트 집합은 Erwin이라는 계층형 퍼뮤테이션 불변 트랜스포머를 사용해 전역 컨텍스트를 유지하면서도 대규모 포인트를 효율적으로 처리한다.

실험에서는 네 가지 도메인에 CORDS를 적용했다. QM9와 GeomDrugs 분자 데이터에서는 무조건 및 조건부 생성에서 기존 최첨단 방법과 비슷하거나 약간 뒤처지는 성능을 보였지만, 특히 원자 수와 같은 카디널리티를 직접 밀도 질량으로 추정함으로써 패딩 없이 자연스러운 생성이 가능했다. MultiMNIST 이미지에서는 훈련에 보이지 않은 객체 수 범위에서도 정확한 카운트와 위치·클래스 복원을 달성했다. 천문학 시뮬레이션 기반 추론에서는 빛 곡선의 폭발 이벤트를 밀도 필드로 표현해, 이벤트 수와 파라미터를 동시에 추정하는 데 성공했다. 마지막으로 로컬맥시마 복원 베치에서는 연속 함수의 국소 최대점을 정확히 찾아내는 수학적 벤치마크에서도 우수한 결과를 기록했다.

CORDS의 장점은 (1) 카디널리티를 별도 모델링 없이 연속 질량으로 통합, (2) 특징과 위치를 동일 변환 과정에서 동시에 인코딩·디코딩, (3) 다양한 도메인에 동일한 수학적 프레임워크 적용 가능, (4) 역변환이 정확히 정의돼 평가 시 그래프나 박스 형태로 바로 변환할 수 있다는 점이다. 한계로는 (a) 커널 선택과 파라미터(σ 등)에 민감해 최적값을 찾기 위한 추가 튜닝이 필요하고, (b) 위치 복원을 위한 비선형 최적화가 복잡한 경우 계산 비용이 증가한다는 점이다. 향후 연구에서는 커널을 학습 가능한 파라미터화로 확장하고, 더 효율적인 디코딩 알고리즘(예: 직접적인 피크 검출)과 대규모 시계열·3D 볼류메트릭 데이터에 대한 스케일링을 탐색할 여지가 있다.