전송 완화 슈뢰딩거 브리지: 이산 데이터와 알고리즘적 해법

초록

본 논문은 경험적(이산) 분포와 연속적인 기준 측정 사이에서 마진 제약을 전송 비용으로 완화한 새로운 슈뢰딩거 브리지 모델을 제안한다. 이 모델은 이산 마진에 대해 유한 차원의 볼록 최적화 문제로 변환되며, 원문과 이완된 문제 모두 존재와 유일성을 보인다. 페널티 파라미터가 무한대로 커질 때는 전통적인 이산 슈뢰딩거 브리지로 수렴하고, 로그 발산 항을 정확히 규명한다. 또한, 듀얼 형태를 이용한 그래디언트 상승법과 Sinkhorn‑유형 알고리즘을 설계하고 선형 수렴 속도를 증명한다.

상세 분석

이 논문은 현대 머신러닝에서 흔히 마주치는 샘플 기반의 경험적 분포가 연속적인 기준 측정(예: 브라운 운동)과 직접적인 엔트로피 정규화 조건을 만족하지 못한다는 문제의식에서 출발한다. 저자는 마진 제약을 완전하게 강제하지 않고, 각 마진과 목표 마진 사이의 2‑노름 전송 비용을 페널티 형태로 추가한 전송‑완화 슈뢰딩거 브리지(문제 (1.3))를 정의한다. 이때 전송 비용은 OT(µ,π_x)와 OT(ν,π_y)로 나타나며, 이는 마진이 목표 분포에 가까워지도록 유도한다.

주요 이론적 기여는 다음과 같다. 첫째, 전송‑완화 문제에 대한 강한 듀얼 공식(정리 3.1, 3.3)을 도출하여, 이산 마진(µ,ν)과 연속 기준 측정(γ) 하에서 듀얼 변수가 α∈ℝⁿ, β∈ℝᵐ 로 제한된 유한 차원 볼록 최적화 문제로 변환한다. 여기서 f(x,α)=sup_i{⟨x,x_i⟩+α_i}, g(y,β)=sup_j{⟨y,y_j⟩+β_j} 로 정의된 라그랑주 함수가 핵심 역할을 한다. 둘째, 원문과 듀얼 모두 존재와 유일성을 증명한다. 듀얼 해는 (α,β)∼⊕(α′,β′)이라는 동치 관계 하에서 유일하며, 이는 α_i+β_j가 동일하면 동일한 해임을 의미한다.

둘째, 페널티 파라미터 ε을 도입한 스케일링 형태(문제 (1.5))를 분석한다. ε→0(강한 제약)에서는 기존 슈뢰딩거 브리지와 동일한 최적 커플링 π가 얻어지지만, 이산 마진 상황에서는 (1.2) 조건이 깨져 상대 엔트로피가 무한대로 발산한다. 저자는 이를 정밀히 분석하여, ε→0일 때 최적 커플링이 Π(µ,ν) 안에서 유일한 이산 슈뢰딩거 브리지 π_0 로 수렴함을 보이고, 이 π*_0 가 σ라는 이산 측정(ρ를 x_i, y_j에 평가한 값) 위에서 상대 엔트로피를 최소화한다는 점을 제시한다. 또한 목표 함수 I_ε(π*_ε)는 -d·ln ε + H(π*_0|σ) + o(1) 형태로 로그 발산을 보이며, 차원 d만이 발산 계수에 영향을 미친다.

셋째, 알고리즘적 측면에서 듀얼 목적 U(α,β) 의 그래디언트를 명시적으로 계산하고, 고정 스텝 사이즈 η를 이용한 그래디언트 상승법을 제안한다. 라그랑주 셀 A_i(α), B_j(β) 를 이용해 각 성분의 미분을 구하고, l₂-노름에서 η가 충분히 작을 경우 선형 수렴을 증명한다(정리 5.2). 네번째로, Sinkhorn‑유형 반복을 고안한다. 여기서는 λ→∞ 한계에서 정확한 최적조건 ∇U=0 을 근사하도록 설계된 업데이트 식을 제시하고, l_∞-노름에서 수축성을 보임으로써 선형 수렴을 확보한다(정리 6.1).

마지막으로, 기존 문헌과의 차별성을 강조한다. 이전 연구들은 연속 마진을 전제로 하거나 엔트로피만을 페널티로 사용했지만, 본 논문은 전송 비용을 직접 마진에 적용함으로써 이산 데이터에 자연스럽게 적용 가능하도록 했다. 또한 로그 발산 항의 정확한 계수를 도출한 점, 그리고 전송‑완화와 엔트로피 정규화를 동시에 다루는 듀얼 구조를 활용한 알고리즘 설계는 새로운 통찰을 제공한다.