강건한 확산 정책을 위한 Kolmogorov 회귀
Kolmogorov Regression for Robust Diffusion Policies
유한차원(FD) 확산 정책은 이산화 인공물로 인한 시간적 드리프트를 보이며, 이는 (물리 시스템에 배포할 때) 장기간 성능을 저하시킨다. 우리는 확산 정책을 Hilbert 공간의 부분집합인 Cameron-Martin 공간으로 끌어올리는 후방 Kolmogorov 방정식을 제안한다. 본질적으로, 확률적 점수 매칭을 결정론적 경계값 PDE 문제로 대체한다. 핵심 혁신은 가우스 측도 이론에 기반하며, 확산 노이즈 공분산 연산자가 색노이즈(colored noise) 분포로부터 구현되고, 이는 추론 시 모델 샘플에 대한 정칙성(regularity) 개념을 규정한다. 유도된 정밀도 가중 Cameron-Martin 손실로 확산 모델을 학습하며, Kolmogorov 잔차를 추론 중 PDE 진단으로 도입한다. 이러한 대체는 (i) 경계 상수가 행동 차원이 아니라 커널의 유효 랭크에 의존하는 수렴 보장, (ii) 스펙트럼 가중을 통한 궤적 정칙성 개선, (iii) 보상 신호 없이 동작하는 결정론적 실패 탐지기를 제공한다. 두 응용 도메인에 걸친 검증에서 상당한 개선이 입증되었다: PushT 조작 벤치마크에서 Cameron-Martin 손실은 최대 에피소드 보상에서 17% 개선(0.95 대 0.78, MSE)을 달성했고, 도입된 잔차 크기를 통해 추론 중 단계 간 드리프트를 67.6% 감소시켰다. 마찬가지로 상수 재공정품(CONWIP) 흐름 제어를 적용한 6-스테이션 제조 라인에서 고전적 LSTM 기준선 대비 RMSE를 28.4% 낮췄으며, 높은 기아(starvation) 이벤트 재현율(테스트 사이클에서 1.0)과 효과적인 병목 식별(Precision@1 = 1.0 in test set, 13x signal-to-noise ratio)을 달성했다. 이후 Hamilton-Jacobi 도달가능성 이론으로 디스패치 정책을 인증하여, 100회 시뮬레이션 실행에서 비제어 디스패치 대비 교착(deadlock) 이벤트를 96% 감소시켰다(351건 예방).