플로우 기반 생성 모델을 통한 잔차 공간 진화적 최적화
Residual-Space Evolutionary Optimization via Flow-based Generative Models
생성적 방법을 이용한 데이터 편집은 일반적으로 미분 가능한 목적 함수와 그래디언트 기반 탐색을 필요로 합니다. 그러나 이러한 가정은 편집이 순방향 및 역방향 적분을 통해 수행되고 종종 미분 불가능하거나 블랙박스 목적 함수를 포함하는 플로우 기반 설정에서는 성립하지 않습니다. 우리는 플로우 기반 생성 편집과 진화 알고리즘을 결합하여 이러한 격차를 해결하는 모델 독립적 프레임워크인 잔차 공간 진화적 최적화(residual-space evolutionary optimization)를 소개합니다. 조건부 플로우 매칭(CFM)이 조건 제어 요인을 인스턴스별 잔차로부터 분리할 수 있다는 관찰을 바탕으로, 본 프레임워크는 잔차 공간에서 직접 작동하며 두 가지 상호 보완적인 탐색 체제로 나뉩니다. 자가 수분(self-pollination)은 특징 보존 잔차 정제를 통해 국지적 활용을 수행하고, 타가 수분(cross-pollination)은 이질적인 샘플 간의 잔차 재결합을 통해 더 넓은 탐험을 촉진합니다. 개념 증명으로서, 우리는 반사실 생성을 위한 벤치마크 데이터셋인 MorphoMNIST와 결정 데이터에서 검증하였으며, 이 탐험-활용 분해가 목표 정렬, 인스턴스 보존, 다양성 사이의 균형을 맞추는 유용한 메커니즘을 제공하며 이미지를 넘어 실제 과학 도메인으로 확장됨을 입증했습니다.