초록
지속적인 정규화 흐름(Continuous Normalizing Flows, CNF)은 표현력이 풍부한 무한 길이의 아키텍처를 통해 데이터 분포를 모델링할 수 있다. 그러나 이러한 모델링 과정은 최대우도 학습 시 상미분방정식(ODE)을 해결하는 계산적으로 비효율적인 과정을 포함한다. 최근 제안된 흐름 매칭(Flow Matching, FM) 프레임워크는 보간된 전진 벡터장에 대한 회귀 목표를 활용함으로써 학습 단계를 상당히 간소화할 수 있다. 본 논문에서는 모델링하는 벡터장에 대한 명시적인 가정 없이 보간을 사용하지 않는 이중 흐름 매칭(Interpolant-Free Dual Flow Matching, DFM) 방법을 제안한다. DFM은 전진 벡터장 모델과 추가적으로 역방향 벡터장 모델을 동시에 최적화하며, 전진 및 역방향 변환의 역함수성(bijectivity)을 촉진하는 새로운 목적함수를 사용한다. SMAP 비지도 이상 탐지 실험을 통해 DFM이 최대우도 또는 FM 목표함수로 학습된 CNF 대비 우수한 성능을 보이며, 최신 기준 성능 지표에서 뛰어난 결과를 달성함을 확인하였다.