PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13606v1stat.ML

CorrFlow: 상관관계 일립토프 상에서의 정확하고 순열 등변적인 플로우 매칭

CorrFlow: Exact and Permutation-Equivariant Flow Matching on the Correlation Elliptope

상관행렬(correlation matrix)은 비선형 양의 정부호성(positive-definiteness) 제약과 동시 행-열 순열 대칭성을 함께 가집니다. 따라서 이를 생성하는 과정은 두 가지 별개의 문제를 수반합니다. 첫째, 변수들이 어떻게 정렬되든 모든 출력은 상관관계 일립토프(correlation elliptope) 상에 머물러야 합니다. 둘째, 생성기는 해당 유효 공간 내에서 경험적 데이터가 차지하는 도메인 특화 분포를 학습해야 합니다. 기존의 금융 이미지 생성 모델들은 이러한 문제를 혼합하여, 정렬된 행렬 성분을 학습한 후 유효하지 않은 생성 결과를 사후에 수정합니다. 본 연구에서는 이 두 문제를 분리하는 CorrFlow를 소개합니다. 일반화된 피셔 변환(Fisher transform)은 풀 랭크(full-rank) 상관행렬을 제약 없는 좌표계로 일대일 대응(bijective) 매핑하여 투영 없이도 유효한 출력을 보장합니다. 그래프 플로우 매칭(flow-matching) 네트워크는 해당 좌표계에서 경험적 분포를 학습하며, 순열 등변(permutation equivariant)성을 지녀 변수를 재정렬해도 출력만 재정렬될 뿐입니다. 신경망 방식당 5개의 시드를 사용하여 $80\times80$ 대만 주식 행렬에서 조건부 CorrGAN 재구현체, 이미지 확산(image diffusion) 모델, CorrFlow를 비교했습니다. CorrFlow는 수정 작업 없이 100% 유효한 샘플을 생성하며, 유효하지 않은 출력을 상관 공간으로 역투영한 CorrGAN의 $4.339\pm.252$ 및 이미지 확산 모델의 $4.610\pm.191$ 대비 $.712\pm.141$의 특징 슬라이스드-바서슈타인 거리(sliced-Wasserstein distance)를 달성했습니다. 또한 과거 조회(historical lookup) 방식보다 이 거리를 개선한 반면, 조회 방식은 더 높은 국소 커버리지를 유지했습니다. 이러한 결과는 평가된 학습 예산 하에서 제안된 결합 구조를 뒷받침하지만, 완전히 튜닝된 이미지 모델에 대한 우위를 확립하거나 각 구성 요소의 기여도를 분리하여 입증하는 것은 아닙니다.