고차원 측정 공간을 위한 할인 모델 탐색

초록

**
본 논문은 고차원 측정 공간에서 품질·다양성(QD) 최적화를 수행할 때, 기존 히스토그램 기반 할인 함수가 겪는 왜곡 문제를 해결하기 위해 연속적인 할인 모델을 학습하는 Discount Model Search(DMS)를 제안한다. DMS는 측정값이 비슷한 솔루션에도 차별화된 할인 값을 제공해 탐색을 지속시키며, 이미지 공간을 측정값으로 사용하는 새로운 QDDM(품질·다양성 with Datasets of Measures) 설정에서도 기존 알고리즘을 능가한다.

**

상세 분석

**
QD 최적화는 목표 함수와 다차원 측정 함수 m을 동시에 고려해, 각 측정값 s에 대해 목표값을 최대화하는 솔루션 집합을 구축한다. 전통적인 MAP‑Elites 기반 방법은 측정 공간을 격자 혹은 CVT 셀로 이산화하고, 각 셀에 하나의 엘리트를 저장한다. CMA‑MAE는 이 구조에 CMA‑ES를 결합해 개선량 Δ = f(θ) − f_A(m(θ))를 기반으로 샘플링 분포를 업데이트한다. 여기서 f_A는 셀별 할인값을 히스토그램 형태로 저장한다. 고차원 측정 공간에서는 셀 부피가 급격히 커져, 서로 다른 솔루션이 동일 셀에 매핑되는 ‘왜곡(distortion)’ 현상이 빈번히 발생한다. 결과적으로 Δ 값이 거의 동일해져 탐색 신호가 사라지고, 알고리즘이 조기에 수렴한다.

DMS는 이러한 한계를 극복하기 위해 할인 함수를 연속적인 신경망 모델로 근사한다. 모델은 현재 아카이브에 존재하는 (측정값, 할인값) 쌍을 입력으로 받아, 측정값이 미세하게 달라져도 서로 다른 할인값을 출력한다. 이를 통해 Δ 값이 미세한 차이를 유지하고, CMA‑ES가 고차원 공간에서도 의미 있는 개선 방향을 찾을 수 있다. 모델 학습은 매 반복마다 최신 아카이브 데이터를 사용해 최소제곱 손실을 최소화함으로써 수행되며, 학습 비용은 셀 수 만큼의 히스토그램 업데이트보다 훨씬 적다.

또한 논문은 측정 함수를 직접 설계하는 대신, 이미지 데이터셋을 측정 공간으로 활용하는 QDDM 개념을 도입한다. 예를 들어, ‘하이커 사진’ 도메인에서는 풍경 이미지(해변, 산, 눈 등)를 측정값으로 사용해, 사용자가 원하는 풍경을 데이터셋으로 제공하면 DMS가 해당 풍경에 맞는 하이커 이미지를 자동으로 생성한다. 이는 측정 함수 설계의 복잡성을 크게 낮추고, 기존 QD 연구에서 다루기 힘들던 고차원 의미적 다양성을 자연스럽게 포함한다.

실험에서는 2D·10D LP(Sphere) 벤치마크와 두 개의 이미지 기반 QDDM 도메인에서 DMS를 CMA‑MAE, DDS, MAP‑Elites 등과 비교하였다. 고차원 LP에서는 DMS가 고유 셀 수가 급격히 감소하는 현상을 방지하고, 최종 아카이브 품질과 다양성 모두에서 우수한 성능을 보였다. 이미지 도메인에서는 DMS가 제공된 풍경마다 의미 있는 하이커 이미지를 생성했으며, 다른 알고리즘은 대부분 동일한 풍경에 집중하거나 품질이 낮은 결과를 내었다.

핵심 기여는 (1) 히스토그램 대신 연속 할인 모델을 도입해 고차원 왜곡을 완화한 DMS 알고리즘, (2) 고차원 측정 공간을 데이터셋 기반으로 정의하는 QDDM 프레임워크, (3) 두 가지 새로운 도메인에서 기존 최첨단 방법을 능가한 실증적 증거이다. DMS는 메모리 효율성, 탐색 지속성, 그리고 측정 설계의 자유도 측면에서 QD 연구에 새로운 가능성을 열어준다.

**