바서슈타인-피셔-라오 JKO 스킴 기반 재가중 정규화 흐름을 활용한 신경 샘플링
Neural Sampling with Reweighted Normalizing Flows via the Wasserstein--Fisher--Rao JKO Scheme
본 논문에서는 비정규화 볼츠만 밀도(unnormalized Boltzmann density)로 지정된 분포로부터 샘플링하기 위한 신경 알고리즘을 제안합니다. 제안하는 접근법은 바서슈타인-피셔-라오 기하학(Wasserstein--Fisher--Rao geometry)에서 쿨백-라이블러 발산(Kullback--Leibler divergence)에 대한 조던-킨더렐러-오토 스킴(WFR JKO scheme)에 기반합니다. 본 연구의 기여는 크게 두 가지입니다. 첫째, 임의의 고정된 보폭(step size)에 대해, 반복 횟수가 무한대로 향함에 따라 정확한 WFR JKO 반복이 타깃 분포로 지수적으로 빠르게 수렴함을 증명합니다. 특히, 이 결과는 로그-오목성(log-concavity)이나 로그 소볼레프 부등식(logarithmic Sobolev inequality)과 같은 타깃에 대한 어떠한 구조적 가정도 요구하지 않습니다. 둘째, 재가중 정규화 흐름(reweighted normalizing flow)을 사용하여 이동(transport) 및 반응(reaction) 요소를 매개변수화하는 WFR JKO 스킴의 신경망 구현을 개발합니다. 까다로운 다봉(multimodal) 타깃에 대한 수치 실험은 제안된 방법의 유망한 성능을 입증합니다.