균등 분포에서 학습된 그래프 사전 확률로: 구조 발견을 위한 확산 모델 (Diffusion)

신경 관계 추론 (Neural Relational Inference, NRI) 방법론은 이산적인 잠재 에지 (potential edges)에 대한 변분 추론 (variational reasoning)을 통해 궤적으로부터 상호작용 그래프를 발견합니다. 그러나 이러한 방법들은 일반적으로 지나치게 단순화되고 인수분해된 (factorized) 그래프 사전 확률 (graph priors)에 의존합니다. 이러한 사전 확률은 대개 균등 분포 (uniform distributions)에 가까우며, 에지를 독립적인 개체로 취급합니다. 이러한 체계적인 불일치는 실제 세계의 시스템과 일치하지 않으며, 확산되고 결정적이지 않은 에지 사후 확률 (edge posteriors)을 생성하여 구조적 발견의 신뢰성을 제한합니다. 이를 해결하기 위해, 우리는 그래프를 생성하기보다는 잠재 그래프 분포를 보정하는 데 사용되는 확산 매개변수화된 적응형 사전 확률 (diffusion-parameterized adaptive prior)인 \textit{Diff-prior}를 제안합니다. 우리의 핵심 통찰은 사전 확률 통합을 학습 가능한 디노이징 (denoising) 스타일의 보정으로 재구성하는 것입니다. 이는 흩어져 있고 불확실한 에지 사후 확률을 확산 모델 (diffusion model)에 의해 학습될 수 있는 더 신뢰할 수 있는 전체 구조로 조직화합니다. Diff-prior는 추론 과정에서 에지 사후 확률에 대해 구조적 보정을 수행하는 적응형 구조 사전 확률을 학습하여, 이를 기저 구조에 더 가까운 분포로 안내합니다. Diff-prior는 구조적 샘플링 (structural sampling) 이전에 작동하며, 인코더 에지 분포에 직접적으로 디노이징 보정기 (denoising calibrator) 역할을 수행하여 구조화된 변수들에 대한 범용적인 학습 패러다임을 제공합니다. 표준 벤치마크를 통한 실험을 통해 우리의 프레임워크를 검증하였으며, 결과는 Diff-prior가 여러 NRI 계열 아키텍처 전반에서 구조 추론 성능을 향상시키고 더 결정적인 에지 사후 확률을 생성함을 보여줍니다. 코드는 https://github.com/Hardy158118/Diffprior 에서 확인할 수 있습니다.