Flow Sampling: 정규화되지 않은 밀도에서 샘플링 학습을 위한 분해능 조건부 과정

요약

본 논문은 정규화되지 않은 밀도(unnormalized densities)에서 샘플링하는 문제를 다루며, 특히 에너지 함수로 정의된 목표 분포에 대한 효율적인 샘플러 학습 프레임워크인 Flow Sampling을 제안합니다. 이 방법은 확산 모델과 플로우 매칭을 결합하여 노이즈 샘플에 조건부되는 분해능 확산 드리프트(denoising diffusion drift)를 학습하는 것이 핵심입니다. 또한, 인터폴란트 과정을 활용하여 에너지 함수 평가 횟수를 최소화하고, 리만 다양체로의 확장성을 입증함으로써 다양한 기하학적 공간에서의 샘플링을 가능하게 합니다.

핵심 포인트

• Flow Sampling 프레임워크를 통해 정규화되지 않은 밀도에서 효율적으로 샘플링하는 방법을 제시합니다.
• 확산 모델과 플로우 매칭을 결합하여, 에너지 함수 기반의 분해능 확산 드리프트(denoising diffusion drift)를 학습합니다.
• 인터폴란트 과정을 활용하여 에너지 함수 평가 비용을 최소화하고 샘플링 효율성을 높였습니다.
• 공식은 리만 다양체에 자연스럽게 확장되어 초구면이나 쌍곡 공간 같은 복잡한 기하학적 공간에서도 적용 가능합니다.