연속 데이터 흐름 매칭은 단순 궤적 재생인가

초록

본 논문은 연속 시계열 생성에 널리 쓰이는 흐름 매칭(Flow Matching, FM) 기법이 실제로는 데이터에 저장된 과거 전이들을 가중 평균해 “궤적 재생”을 수행하는 비모수 동적 시스템인지, 아니면 일반적인 동역학 구조를 학습하는지 분석한다. Gaussian 조건부 경로를 가정하고, 완벽한 함수 근사 한계에서 경험적 FM 목적함수의 최적 속도장을 닫힌 형태로 유도한다. 결과는 데이터 의존적인 유사도 가중 혼합으로 표현되는 ODE이며, 이를 기반으로 훈련 없이도 샘플링·예측이 가능한 메모리 기반 샘플러(FreeFM)를 제안한다. 실험은 비선형 동역학 벤치마크에서 훈련된 신경망과 경쟁하는 성능을 보여준다.

상세 분석

논문은 먼저 연속‑시간 정규화 흐름 모델을 ODE 형태 ż(t)=vθ(t,z(t)) 로 정의하고, 기존 FM이 시뮬레이션‑프리 회귀 손실 E‖vθ−u‖² 을 최소화함을 상기한다. 여기서 u(t,z) 는 선택된 확률 경로 p_t(z|X) 에 의해 유도되는 목표 속도장이다. 저자들은 시계열 데이터를 “전이 집합” D_M={X^{(j)}=(X₁^{(j)},X₂^{(j)})}_{j=1}^M 으로 정형화하고, 각 전이에 대해 affine Gaussian 브리지 ψ_t(z|X^{(j)})=(1−t)X₁^{(j)}+tX₂^{(j)}+c_t ξ (ξ∼N(0,I)) 를 정의한다. 이 경우 a_t(X^{(j)}) 와 b_t(X^{(j)}) 가 명시적으로 구해지고, 조건부 속도 v(t,z|X^{(j)})=a_t(X^{(j)}) z+b_t(X^{(j)}) 가 된다.

핵심 정리는 경험적 FM 목적함수에 대한 최적 해가
\