리만 흐름 매칭의 총변동 수렴률

초록

본 논문은 리만 다양체 위에서 정의되는 흐름 매칭(RFM) 모델의 샘플러가 총변동(TV) 거리 기준으로 어떻게 수렴하는지를 비점근적으로 분석한다. 학습된 벡터 필드와 오일러 이산화를 결합한 RFM 샘플러에 대해, 단계 크기 h와 학습 오차 ε에 비례하는 명시적 상한 TV ≤ C₁ h + C₂ ε (컴팩트 다양체에서는 ε² 항 추가)를 제시한다. 구체적인 예시로 구면 Sᵈ와 SPD(n) 다양체에 대한 다항 복잡도 결과를 제공한다.

상세 분석

이 논문은 리만 흐름 매칭(RFM)의 이론적 기반을 크게 확장한다. 핵심 기법은 두 개의 매니폴드 ODE 흐름 사이의 총변동 거리 변화를 기술하는 미분 부등식이다. 이 부등식은 시간에 대한 TV의 도함수가 벡터 필드 불일치(divergence term)와 기준 흐름의 스코어(score) 사이의 내적 형태로 나타나며, 여기서 스코어는 연속성 방정식 ∂ₜpₜ + div(pₜ vₜ)=0의 해에 대한 로그밀도 그라디언트와 동일한 역할을 한다. 저자는 이 항들을 제어하기 위해 평행 이동(parallel transport)과 곡률(curvature)의 영향을 정밀히 분석한다. 구체적으로, 벡터 필드의 리만 발산(divergence)와 그라디언트의 리프시츠 상수 C_Lip을 이용해 ‖div( v̂ − v )‖와 ‖∇( v̂ − v )‖를 제한하고, 이는 곡률 상한(K_max)과 절단 반경(injectivity radius)과 결합해 전체 TV 상한에 기여한다.

다음으로, 두 종류의 다양체에 대해 서로 다른 가정을 둔다. 컴팩트 다양체에서는 전역적인 균등 근사(‖v̂ − v‖_∞ ≤ ε)를 가정하고, 해석적 곡률 제한을 통해 ε² 차수의 고차항을 도출한다. 반면, 비양(Hadamard) 다양체에서는 평균제곱 근사(E