이산 어드조인트 슈뢰딩거 브리지 샘플러

초록

본 논문은 연속형에서 뛰어난 성능을 보인 어드조인트 매칭(Adjoint Matching, AM) 기법을 이산 상태공간으로 일반화한다. 이산 연속시간 마코프 체인(CTMC) 위에 정의된 슈뢰딩거 브리지(SB) 문제와 그에 대응하는 확률적 최적제어(SOC) 문제를 정식화하고, 상태공간이 순환군 구조를 가질 때 AM의 핵심 메커니즘이 상태‑공간에 무관함을 증명한다. 이를 바탕으로 ‘Discrete ASBS(D‑ASBS)’ 알고리즘을 제안하여 컨트롤러와 코렉터를 교대로 학습하고, 실험에서 기존 이산 신경 샘플러 대비 학습 효율과 확장성을 크게 향상시켰다.

상세 분석

이 논문은 크게 네 가지 과학적·기술적 기여를 제공한다. 첫째, 연속형 확산 모델에서 사용되는 슈뢰딩거 브리지(SB)와 확률적 최적제어(SOC)의 등가성을 이산 상태공간, 즉 고차원 이산 시퀀스 X =