흐름 매칭 모델에서 Jacobian 기반 인과 의존성 분석

초록

본 논문은 흐름 매칭(Flow Matching) 모델에서 잠재 변수의 작은 변동이 어떻게 데이터 공간으로 전파되는지를 Jacobian‑vector product(JVP)를 통해 정량화한다. 가우시안 및 혼합 가우시안 목표분포에 대한 닫힌 형태의 최적 드리프트와 그 Jacobian을 유도하고, 합성 실험과 이미지 데이터(MNIST, CelebA)에서 JVP 기반 의존성 추정기가 실제 상관관계를 잘 복원함을 보인다. 또한, 속성 분류기의 Jacobian 노름을 조건화함으로써 공통 원인 가설에 부합하는 상관 감소 현상을 관찰하지만, 이는 정식 do‑intervention이 아님을 명시한다.

상세 분석

논문은 흐름 매칭 프레임워크를 기반으로, 시간‑종속 벡터장 vₜ(x) 를 학습해 초기 분포 p_init을 목표 분포 p_data 로 deterministic ODE ϕₜ를 통해 매핑한다. 핵심 아이디어는 잠재 공간의 미세 교란 εz (z∼N(0,I)) 가 최종 샘플에 미치는 1차 효과를 Jacobian J_f(x₀)·z 로 근사하고, 이를 Jacobian‑vector product(JVP) 형태로 효율적으로 추정한다는 점이다. 저자는 먼저 가우시안 목표에 대해 최적 드리프트 u(xₜ,t)=E