키포인트 유도 최적 수송: 모델, 알고리즘 및 응용
Keypoint-Guided Optimal Transport: Models, Algorithms, and Applications
기존의 최적 수송(Optimal Transport, OT) 방법들은 주로 수송 비용/거리 최소화 기준에 따라 최적 수송 계획/매칭을 도출하는데, 이는 일부 경우에 잘못된 매칭을 유발할 수 있습니다. 실제 응용에서는 도메인 간 매칭된 소수의 키포인트를 주석(annotation)하는 것이 합리적이거나 주석 부담 측면에서 거의 노력이 들지 않기도 합니다. 따라서 주석 처리된 키포인트를 활용하여 OT에서 올바른 매칭을 유도하는 방법을 연구하는 것은 가치 있는 일입니다. 본 논문에서는 OT에서 키포인트의 유도를 받아 최적 매칭(즉, 수송 계획)을 탐색하는 관계 보존 기반의 새로운 키포인트 유도 모델(KPG-RL)을 제안합니다. KPG-RL은 수송 과정에서 키포인트 쌍의 매칭을 보존하기 위해 수송 계획의 마스크 기반 제약 조건을 활용하며, 각 데이터 포인트와 키포인트 간의 관계를 바탕으로 매칭을 유도합니다. KPG-RL은 칸토로비치(Kantorovich) 및 그로모프-바서슈타인(Gromov-Wasserstein) 정식화 하에서 균형 및 불균형/부분 수송 설정 모두에 대해 개발되었습니다. 또한, $\chi^2$-정규화된 KPG-RL 모델의 쌍대 정식화(dual formulation)를 도출하여, 이를 통해 심층 학습(deep learning) 기술 기반으로 수송을 학습함으로써 더 많은 수의 데이터로의 스케일링을 개선합니다. 학습된 수송 계획을 바탕으로, 소스 데이터를 타깃 도메인 데이터 매니폴드로 수송하기 위해 매니폴드 무게중심 투영(manifold barycentric projection)과 매니폴드 샘플링(manifold sampling)이라는 두 가지 새로운 신경망 수송 전략을 개발합니다. 응용 사례로서, 제안된 접근 방식을 이종 도메인 적응(heterogeneous domain adaptation), 다중 오믹 단일 세포 정렬(multi-omic single-cell alignment), 이미지 간 변환(image-to-image translation)에 적용합니다. 실험을 통해 본 접근 방식의 효과를 검증했습니다.