훈련 없이 파라미터 의존 확산 모델로 스토캐스틱 동역학 학습

초록

본 논문은 물리 파라미터가 연속적으로 변하는 확률 미분 방정식(SDE)의 흐름 맵을, 별도 신경망 훈련 없이 점진적 점수 추정과 커널 기반 몬테카를로 방법으로 학습하는 조건부 확산 프레임워크를 제안한다. 제안 방법은 이산 파라미터값에서 수집한 궤적 데이터를 이용해 조건부 점수를 추정하고, 이를 통해 임의의 파라미터값에 대해 빠르게 샘플을 생성한다. 세 가지 수치 실험을 통해 정확도와 효율성을 입증한다.

상세 분석

이 연구는 파라미터‑의존 SDE의 전이 확률밀도 p(x_{n+1}|x_n,μ)를 직접 모델링하는 새로운 훈련‑프리(score‑free) 조건부 확산 모델을 제시한다. 핵심 아이디어는 두 단계로 구성된다. 첫째, VP(variance‑preserving) 스케줄을 갖는 인공 시간 τ∈