변분 베이지안 흐름 네트워크를 이용한 그래프 생성

초록

본 논문은 기존 베이지안 흐름 네트워크(BFN)의 독립적인 가우시안 믿음 표현을 확장하여, 구조화된 정밀도 행렬을 갖는 공동 가우시안 변분 믿음으로 승격한다. 이를 통해 노드와 엣지 사이의 상호 의존성을 한 번의 베이지안 업데이트로 결합시켜, SPD 선형 시스템을 풀어 동시에 업데이트한다. 샘플에 의존하지 않는 의존 그래프를 이용해 정밀도를 설계함으로써 레이블 누수를 방지하고, 합성 및 분자 그래프 실험에서 기존 확산·플로우 기반 모델보다 높은 충실도와 다양성을 달성한다.

상세 분석

VBFN은 기존 BFN이 가정하던 “요소별 독립 가우시안” 믿음 공간을 “구조화된 정밀도 행렬”을 갖는 공동 가우시안 변분 믿음으로 승격한다는 점에서 근본적인 전환을 제시한다. 구체적으로, 그래프 신호 z∈ℝᴰ를 노드 속성 X와 엣지 속성 A의 연속형 파라미터화로 통합하고, 시간 t에 따라 변하는 정밀도 Pₜ=Ω_prior+β(t)Ω_obs를 정의한다. 여기서 Ω_prior는 그래프 구조를 반영한 라플라시안 기반 GMRF 정밀도로, 의존 그래프 H를 통해 노드‑엣지, 엣지‑엣지, 대칭성 등을 연결한다. 중요한 점은 H가 실제 인접 행렬 A의 값을 참조하지 않으므로 레이블 누수가 발생하지 않는다. Ω_obs는 동일한 의존 구조를 공유하거나 대각선 근사 형태로 구현되어, 전송 채널의 노이즈가 구조화된 형태로 삽입된다.

베이지안 업데이트 단계에서는 사전 p_prior(z)와 송신자 p_S(y|z; t) 두 가우시안을 곱해 후방 p_post(z|y; t)를 얻는다. 정밀도 행렬이 구조화돼 있기 때문에, 평균 θₜ는 Pₜ θₜ = Ω_prior θ₀ + β(t)Ω_obs y 라는 SPD 선형 시스템의 유일해로 결정된다. 이는 기존 BFN에서 각 차원을 독립적으로 업데이트하던 방식과 달리, 노드와 엣지 간의 상호작용을 한 번의 연산으로 전파한다는 의미다. 계산적으로는 Pₜ가 희소하지만 역행렬은 조밀하므로, 효율적인 반복 솔버(예: Conjugate Gradient)와 프리컨디셔닝을 활용한다.

학습 목표는 송신자와 수신자 메시지 분포의 KL 발산을 최소화하는 L_∞(ϕ)이며, 정밀도가 동일하게 묶여 있기 때문에 KL은 z와 예측 b_z^ϕ(θₜ, t) 사이의 가중 제곱 오차 형태로 단순화된다. 따라서 연속시간 훈련이 그대로 유지되면서, 구조화된 정밀도가 흐름 분포 p_F(θₜ|z; t)를 형성한다.

실험에서는 합성 그래프와 공개된 분자 데이터셋(ZINC, QM9 등)에서 VBFN이 기존 확산·플로우 모델(DDPM, GraphFlow, BFN 등) 대비 프리시전, 리콜, Fréchet Inception Distance 등 다양한 지표에서 우수함을 보였다. 특히, 노드‑엣지 일관성을 강제하는 구조화된 정밀도가 디코딩 단계에서 발생하는 경계 오류를 크게 감소시켜, 화학적 유효성(예: 원자 결합 규칙)과 구조적 다양성을 동시에 향상시켰다.

이 논문의 주요 기여는 (1) 독립 가우시안 믿음을 구조화된 공동 가우시안으로 변분 승격, (2) 정밀도 기반 SPD 선형 시스템을 통한 단일 단계 결합 업데이트 공식화, (3) 레이블 누수를 방지하면서도 그래프 구조를 반영하는 의존 그래프 설계, (4) 실험을 통한 그래프 생성 품질 및 다양성 향상 입증이다. 향후 연구는 비정형 정밀도 학습, 대규모 그래프에 대한 스케일링, 그리고 다른 이산 구조(예: 하이퍼그래프)로의 확장 가능성을 제시한다.