그래프 에너지 매칭: 전송 정렬 기반 그래프 생성 모델

본 논문은 그래프 생성이라는 복합 이산 문제에 에너지 기반 모델(EBM)의 장점을 도입하면서, 기존 디스크리트 확산 모델이 보여준 높은 샘플 품질을 능가하거나 동등하게 달성하는 새로운 프레임워크인 Graph Energy Matching(GEM)을 제안한다. 1. 배경 및 동기 그래프, 특히 분자 그래프는 약물 설계·재료 과학 등에서 핵심적인 데이터 형태이다. 최근에는 DeFoG, VFM 등과 같은 디스크리트 확산 모델이 높은 품질의 무조건적 샘플을 생성하는 데 성공했지만, 이들은 노이즈‑데노이징 과정을 통해 중간 상태를 거치므로 최종 그래프에 대한 명시적 확률 분포를 제공하지 못한다. 이는 사용자가 특정 물성값을 만족하도록 제약을 가하거나, 그래프 간 연속적인 보간을 수행할 때 큰 제약이 된다. 반면 EBM은 스칼라 포텐셜 V_θ(x)를 통해 직접적인 확률 밀도 π_θ(x)∝exp(−βV_θ(x))를 정의하므로, 조건부 생성·제약 부여가 자연스럽다. 그러나 이산 도메인에서는 에너지 표면에 많은 가짜 로컬 최소점이 존재해 샘플러가 쉽게 함정에 빠지고, 학습이 불안정해지는 문제가 있었다. 2. 핵심 아이디어 GEM은 두 가지 혁신적인 설계를 결합한다. 첫째, Jordan‑Kinderlehrer‑Otto(JKO) 스킴의 전송 맵 최적화 관점을 이산 그래프 공간에 적용한다. 연속 공간에서 JKO는 밀도 ρ_t 를 ρ_{t+Δt} 로 이동시키는 최적 운송 계획 γ와 비용 c(x,y)를 최소화하는 변분 문제로 표현된다. GEM은 이를 그래프 간의 퍼뮤테이션 불변 비용 c_loc와 하드 퍼뮤테이션 FGW 비용으로 정의하고, 근사적인 coupling γ_k 를 통해 전송 맵 T_k 를 얻는다. 학습 단계에서는 포텐셜 V_θ가 (1/2)η·c(x,y)+V_θ(y) 를 최소화하도록 최적화되며, 이는 그래프의 에너지 기울기 −∇V_θ와 전송 비용이 균형을 이루는 조건을 만든다. 둘째, 샘플링을 두 단계로 나눈다. - 전송 단계(ε→0): 결정론적 그리디 제안을 사용한다. 현재 그래프 x에서 정확히 N개의 로컬 편집(노드 타입 교체, 결합 추가·삭제)으로 도달 가능한 후보 집합 C_N(x) 중, (ŷ−x̂)·∇V_θ(x̂)+c_loc(x,y) 를 최소화하는 y*를 선택한다. 이는 에너지 감소와 전송 비용을 동시에 고려한 라인 검색에 해당한다. 제안이 에너지 감소를 보장하지 못하면 전송 단계는 중단된다. - 혼합 단계(ε>0): 온도 ε를 도입한 라그랑주형 확률 커널 q_mixing(x→y)∝exp