확산 모델은 독립적인 데이터-노이즈 결합을 유발하는 정보성이 낮은 무기억(memoryless) 전방 과정으로 인해, 종종 매우 굽은 궤적과 잡음이 많은 스코어 목표를 산출한다. 우리는 두 단계를 통해 고차원에서 최적 궤적을 복원하는 생성 모델링 프레임워크인 Adjoint Schrödinger Bridge Matching(ASBM)을 제안한다. 첫째, Schrödinger Bridge(SB) 전방 동역학을 결합 구성 문제로 보고, 데이터를 에너지로 정의된 사전분포로 수송하는 data-to-energy 샘플링 관점으로 학습한다. 이어서, 유도된 최적 결합으로 감독되는 간단한 매칭 손실로 후방 생성 동역학을 학습한다. 비-무기억(non-memoryless) 체제에서 동작함으로써, ASBM은 현저히 더 곧고 효율적인 샘플링 경로를 생성한다. 선행 연구와 비교해 ASBM은 현저히 향상된 안정성과 효율로 고차원 데이터에 스케일링된다. 이미지 생성에 대한 광범위한 실험은 ASBM이 더 적은 샘플링 단계로 충실도를 향상시킴을 보인다. 우리는 나아가 1-step 생성기로의 지식 증류를 통해 제안한 최적 궤적의 효과를 보여준다.
Schrödinger bridge의 계산적 힘은 하나의 구조적 사실에서 나온다. Girsanov 정리에 의해 제어 문제는 고정 참조 확률측도 위의 Kullback–Leibler(KL) 투영이 되며, 교대 투영으로 풀 수 있다. 본 서신은 그 사실이 위험 민감성(risk sensitivity)에서는 유지되지 않음을 보인다. 기대 경로 비용을 엔트로피 위험 측도(entropic risk measure)로 바꾸고 두端点 주변(marginal)을 모두 강한 제약(hard constraint)으로 두면, 그때의 고정점 bridge 값 J_θ(말단 제약을 강제하는 승수에서의 soft 문제 값)는 규칙적인端点 법(endpoint law)을 갖는 어떤 고정 경로 공간 참조에 대해서도 제약 KL 최솟값으로 표현될 수 없다(균일 타원형 확산 참조보다 엄격히 더 큰 클래스이며, Markov 성질은 필요하지 않다). 초기 주변에 의존하는 가산 정규화(normalisation)를 허용해도 마찬가지이다. 더 나아가, 단일 참조 하나로 위험 매개변수에 따른 일매개변수 family 전체를 생성할 수 없다. 장애물은 닫힌 형(closed form)으로 계산된다. Gaussian bridge 값은 고정端点 밀도의 임의 Gaussian smoothing이 만족해야 하는 열 방정식(heat equation)을 정확히 θ/2만큼 위반한다. 투영 대신 이론은 말단 승수(terminal-multiplier) 고정점과, backward factor의 score energy를 penalize하는 비대칭 인수분해(asymmetric factorisation) 위에 서 있다.
본 논문은 Schrödinger Bridge(SB) 학습 패러다임과 Mamba 아키텍처를 통합하여 효율적인 음성 향상을 수행하는 새로운 모델인 Schrödinger Bridge Mamba(SBM)를 제안한다. 노이즈 제거와 잔향 제거 통합 과제 실험에서 SBM은 추론을 단 1회만 수행하면서도 여러 지표에서 강력한 생성형 및 판별형 방법을 능가하며, 스트리밍 적용 가능성을 위한 경쟁력 있는 실시간 인자(real-time factor)를 달성함을 보여준다. 절제 연구(ablation studies) 결과, SB 패러다임은 다양한 아키텍처에서 전통적인 매핑(mapping) 방식 대비 일관되게 성능 향상을 가져옴을 확인했다. 또한 SB 패러다임 하에서 Mamba는 Multi-Head Self-Attention(MHSA) 및 Long Short-Term Memory(LSTM) 백본 대비 더 우수한 성능을 보였다. 이러한 결과는 Mamba 아키텍처와 SB 궤적 기반 학습 간의 시너지를 부각하며, 실제 환경 음성 향상을 위한 고품질 해결책을 제공한다. 데모 페이지: https://sbmse.github.io
통계적 매칭(statistical matching)은 공변량 $X$를 공유하지만 목표 변수 $Y$와 보조 변수 $Z$를 각각 별도로 관측하는 부분적으로 겹치는 데이터셋을 결합한다. 고전적 접근법은 일반적으로 조건부 독립 가정(conditional independence assumption, CIA)을 사용하는데, 이는 문제를 식별 가능하게 만들지만 근본적으로 $X$가 알려진 이후에는 가져온 보조 변수가 $Y$에 대한 추가적인 예측력을 제공하지 않는다는 것을 의미한다. 이 잠재적인 $Y$--$Z$ 종속성을 포착하기 위해, 우리는 예측적 통계적 매칭을 위한 새로운 종속성 인식(dependency-aware) Schrödinger bridge를 제안한다. 우리의 접근법은 운송(transportation) 기반 호환성 비용으로 보수적인 CIA 기준선을 기울여 두 분리된 데이터베이스를 결합하고, 정보가 있는 결합 분포를 복원한다. 그 결과로 얻어진 통계적 학습 프레임워크는 양방향 대치(imputation)를 위한 완전한 확률적 사후 규칙을 제공한다. 이론적으로, 학습된 bridge가 CIA 기준선 대비 엄격히 개선되는 충분 조건을 확립하고, 적절한 비용 하에서 가우시안 설정에서 정확한 결합 복원 보장을 함께 제시한다. 합성 벤치마크와 실제 데이터셋(CelebA 및 Adult)에 걸쳐, 우리는 종속성 인식 완성(completion)이 하류 예측 유용성을 일관되게 개선함을 보이며, 기저 모집단이 강한 $Y$--$Z$ 종속성을 보이는 데이터 재코딩(data recoding)과 같은 설정에서 특히 유익함을 입증한다.
시계열을 위한 슈뢰딩거 브리지(SBTS)는 관측 그리드에서 데이터의 결합 분포와 일치하는 경로 법칙에 브라운 기준을 상대 엔트로피(relative entropy)로 투영하여 합성 경로를 생성합니다. 그러나 브라운 기준은 생성된 경로의 이차 변동(quadratic variation)을 고정시키므로, 확률적 변동성(stochastic volatility), 상관 노이즈(correlated noise), 또는 랭크 결핍 공분산 구조(rank-deficient covariance structures)를 재현해야 할 때 제약이 됩니다. 우리는 SBTS의 엔트로피 투영 백본을 유지하되, 잠재 공분산 기술자(latent covariance descriptors)로 증강된 상태에서 브라운 기준을 삼각형이며 변동성 정보를 활용하고 구간별로 고정된 기준으로 대체하는 "시계열 생성을 위한 삼각 기준 슈뢰딩거 브리지"(TR-SBTS)를 소개합니다. 이 구성은 증강된 상태에 대한 단일 엔트로피 투영으로 유지됩니다: 최소화자는 기준의 \(h\)-변환(h-transform)이며, 각 고정된 구간에서 최적 드리프트(optimal drift)는 로그 그래디언트 형태 \(b^\star(t,x)=A\,\nabla\log H(t,x)\)를 가지며, 고정된 공분산 \(A\)가 퇴화(degenerate)할 때 활성 공분산 방향에 내재적입니다. 우리는 고정 근사의 안정성과 관련 정규화된 커널(kernel) 추정기의 일관성을 증명하고, 조건부 다음 증분 법칙(conditional next-increment law)에 대한 기준 인식 Nadaraya--Watson 구현을 설명하며, 수치 실험을 통해 이 구성을 평가합니다.
평균장 슈뢰딩거 브리지(MFSB) 문제는 비국소 상호작용을 갖는 확산 과정이 고정된 기한 내에 하나의 분포에서 다른 주어진 분포에 도달하도록 안내하는 최소 노력 제어기를 설계하는 것과 관련됩니다. 표준 슈뢰딩거 브리지와 달리, MFSB의 동적 제약 조건은 제어가 있는 상호작용하는 에이전트 집단의 평균장 극한입니다. 이는 대규모 다중 에이전트 시스템을 위한 자연스러운 모델 역할을 합니다. MFSB는 비국소 상호작용으로 인해 문제가 비볼록해지기 때문에 계산적으로 어렵습니다. 우리는 MFSB를 위한 Hopf-Cole 변환의 일반화를 제안하고, 이를 기반으로 관련 적분-미분 방정식 시스템을 풀기 위한 Sinkhorn 유형의 재귀 알고리즘을 설계합니다. 상호작용 퍼텐셜에 대한 약한 가정 하에, 제안된 알고리즘의 수렴 보장에 대해 논의합니다. 이론적 기여를 설명하기 위해 척력 및 인력 상호작용이 있는 수치적 예시를 제시합니다.
타우 PET 영상은 알츠하이머병 진행을 추적하는 데 핵심적이지만, 기관 간 스캐너, 프로토콜, 방사성 추적자의 체계적 차이는 비생물학적 변동성을 야기하여 바이오마커 분산을 증가시키고, 질병 효과에 대한 민감도를 떨어뜨리며, 다운스트림 임상 평가에 바이어스를 초래할 수 있다. 하모나이제이션 방법은 생물학적으로 의미 있는 신호를 보존하면서 이러한 기관 유발 편차를 제거하는 것을 목표로 하지만, 기존 접근법은 소스 코호트와 타겟 코호트의 서브그룹 구성이 다를 경우 어려움을 겪으며, 기관 효과와 타우 양성 여부와 같은 생물학적 변동을 혼동할 위험이 있다. 우리는 이 문제를 해결하기 위해 파인만-카츠 재가중 슈뢰딩거 브릿지 매칭(FKRSBM) 모델을 제안한다. 확산 기반 방법에서처럼 데이터를 가우시안 노이즈 사전 분포를 통해 라우팅하는 대신, FKRSBM은 엔트로피 정규화 최적 수송을 통해 소스 분포와 타겟 분포 사이의 직접적인 확률적 전달 프로세스를 학습한다. 생물학적으로 일관된 전달을 강제하기 위해, FKRSBM은 참조 브릿지 측도의 파인만-카츠 재가중으로부터 도출된 서브그룹 인식 엔드포인트 제안을 통합하며, 이는 데이터 수준의 층화 중요도 샘플링을 통해 완전히 구현되어 기반 브릿지 매칭 솔버나 네트워크 아키텍처를 변경할 필요가 없다. 표면 기반 신경영상을 위해, FKRSBM은 피질 메시에서 작동하는 구면 합성곱 백본을 사용하여 버텍스 수준의 하모나이제이션을 수행한다. 우리는 HABS-HD 코호트의 PI-2620 데이터를 ADNI의 AV-1451 도메인으로 하모나이징하는 타우 PET SUVR 맵에서 이 방법을 평가한다. ComBat, CycleGAN, 확산 기반 방법(DF), 비정규화 Diffusion Schrödinger Bridge Matching(DSBM)과 비교하여, FKRSBM은 더 우수한 분포 정렬, 감소된 타우 양성 부호 불일치, 더 강력한 APOE 서브그룹 정렬, 그리고 향상된 다운스트림 질병 분류 성능을 달성한다.