추측 해독 (Speculative Decoding) 은 검증 과정을 최적 전송 (Optimal Transport, OT) 문제로 형식화함으로써 대형 언어 모델의 속도를 가속화합니다. 기존 접근 방식은 일반적으로 단일 단계 드래프트에 평면 OT 를 적용하거나 트리 구조의 후보자에게 토큰별 거부 표본 추출을 적용하여 다단계 및 다 드래프트 측면을 분리하여 처리합니다. 이러한 분리는 수평과 수직 차원의 후보 트리의 결합 (multi-step dependencies meet multi-draft branching) 을 잘 최적화하지 못하게 하여, 국소 검증 규칙이 후보 트리의 수평 및 수직 차원 간의 결합을 활용하지 못하게 합니다.

본 논문에서는 조건부 OT 문제를 통해 트리 기반 검증을 통합적 관점으로 형식화하는 방법을 제안합니다. 우리의 핵심 통찰은 수직 의존성을 접두어 수용 확률 (prefix acceptance probabilities) 을 통해 추상화할 수 있으며, 이는 동적 스케일링 인자로 작용하여 수평 드래프트 선택을 능동적으로 안내한다는 것입니다. 이 원리에 기반하여, 우리는 접두어 제약 조건 하에 국소 최적 전송 계획을 구성함으로써 트리 레벨을 함께 최적화하는 검증 알고리즘인 UniVer 를 소개합니다. 우리는 UniVer 가 제안된 조건부 프레임워크 하에서 손실 없는 (lossless) 상태를 유지하며 최적의 수용률을 달성함을 증명합니다.

다양한 과제 및 모델에 걸친 광범위한 실험은, UniVer 가 표준 재귀 거부 표본 추출 (standard recursive rejection sampling without replacement) 과 비교하여 수용 길이를 4.2% 에서 8.5% 까지 개선함을 보여줍니다. 동시에 목표 모델과의 정확한 분포 정렬을 유지합니다.