계층적 시뮬레이션 기반 추론을 위한 토큰화된 흐름 매칭
요약
시뮬레이터 평가 비용은 시뮬레이션 기반 추론(SBI)의 주요 병목 현상입니다. 특히 전역 및 국소 파라미터를 공유하는 계층적 설정에서는 이 구조를 활용하여 효율성을 높일 수 있습니다. 본 논문은 기존 접근 방식들이 여전히 여러 사이트에서 시뮬레이션을 수행하는 한계를 극복하고자, 우도 분해(Likelihood Factorisation, LF)를 통해 단일 사이트 시뮬레이션만으로 훈련할 수 있는 방법을 제안합니다. 이를 기반으로, 함수 값 관측을 지원하며 계층적 SBI에 적합한 토큰화된 흐름 매칭 접근법인 TFMPE (Tokenised
핵심 포인트
- TFMPE는 함수 값 관측을 처리하는 토큰화된 흐름 매칭 접근법입니다.
- 우도 분해(LF)를 활용하여 여러 사이트 시뮬레이션 없이 단일 사이트 데이터로 훈련할 수 있습니다.
- 제안된 방법은 감염병 및 전산 유체 역학(CFD) 모델 등 실제 환경에서 검증되었습니다.
시뮬레이터 평가 비용은 시뮬레이션 기반 추론(SBI)의 가장 큰 실질적 병목입니다. 특히 글로벌 파라미터와 사이트별 파라미터를 공유하는 계층적 구조에서는 이러한 특성을 활용하여 효율을 높일 수 있습니다.
기존의 계층적 SBI 접근 방식들은 사후 분포를 분해(factorise)하지만, 여전히 하나의 훈련 샘플당 여러 사이트를 시뮬레이션해야 하는 한계가 있었습니다. 본 연구는 이를 극복하기 위해 우도 분해(Likelihood Factorisation, LF) 개념을 도입하여 단일 사이트 시뮬레이션만으로 학습할 수 있도록 합니다.
이러한 LF 샘플링 과정에서는 사이트별 신경망 대리 모델(neural surrogate)을 학습하고, 이를 조합하여 전체 계층적 사후 분포에 대한 추론 비용을 줄이는 합성 다중 사이트 관측치를 만듭니다. 그 위에 토큰화된 흐름 매칭 (Tokenised Flow Matching for Posterior Estimation, TFMPE) 접근법을 제안합니다. 이는 함수 값 관측(function-valued observations)까지 지원하는 강력한 방법입니다.
TFMPE의 체계적인 평가를 위해 계층적 SBI 벤치마크도 제시했습니다. 이 방법을 감염병 모델과 전산 유체 역학(CFD) 같은 실제 모델에 적용하여, 계산 비용을 줄이면서도 잘 보정된 사후 분포를 얻을 수 있음을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기