
초록
우리는 임의의 확률밀도함수(PDF)를 목표 PDF로 변환할 수 있는 반복적(greedy) 딥러닝(DL) 알고리즘을 개발하였다. 이 모델은 일련의 1차원(1D) 절단면에 대해 반복적으로 최적 운반(Optimal Transport)을 적용하며, 각 절단면에서 주변 확률밀도함수를 목표 PDF와 일치시키는 방식으로 작동한다. 각 반복 단계에서 상호 수직인 절단면의 축은 워슈터스타인(Wasserstein) 거리 기반으로 PDF 간 차이를 최대화하도록 선택되며, 이로 인해 고차원으로의 확장성도 우수하다. 본 알고리즘의 특수한 사례로, 데이터 공간에서 잠재공간으로의 매핑(GIS)과 그 반대 방향의 매핑(SIG)을 수행하는 두 가지 슬라이스 반복 정규화 흐름(SINF) 모델을 제안한다. 실험 결과 SIG는 이미지 데이터셋에 대해 GAN 기준에 근접하는 고품질 샘플을 생성할 수 있음을 보였으며, GIS는 밀도 추정 과제에서 밀도 훈련 기반 정규화 흐름(NFs)과 경쟁 가능한 성능을 보였고, 특히 소규모 훈련 세트에서 더 안정적이고 빠르며, 더 높은 $p(x)$ 값을 달성하는 것으로 나타났다. SINF 접근법은 기존 딥러닝 패러다임과 크게 다른 특성을 지니고 있다. 특히, 알고리즘은 탐욕적(greedy)이며, 미니배치, 확률적 경사하강법, 깊은 층을 거쳐서의 기울기 역전파 등 기존 딥러닝에서 흔히 사용되는 개념들을 전혀 사용하지 않는다.