초록
이산 객체 간의 매칭을 학습하는 것은 머신러닝 분야에서 핵심적인 과제였으며, 일반적으로 매칭 구조를 연속적인 형태로 완화함으로써 촉진되어 왔다. 그러나 실제 문제 상황에서는 대응 관계가 누락되면서 부분적 매칭이 발생하게 되어, 최신 기술에서 주로 사용되는 일대일 매칭 학습 기법에 어려움을 초래한다. 본 논문에서는 잠재적인 부분적 매칭을 학습하기 위한 Gumbel-IPF 네트워크를 제안한다. 본 방법의 핵심은 목표 마진의 운송 다각체(transportation polytope) 위로 비례적으로 투영하는 미분 가능한 반복적 비례 적합(Iterative Proportional Fitting, IPF) 절차에 있다. 또한 본 연구의 이론적 프레임워크는 온도에 따라 조절되는 부분적 매칭 분포로부터 샘플을 추출할 수 있도록 한다. 우리는 이중 비례 적합(biproportional fitting)의 관점에서 일반적으로 사용되는 완화 기법들의 성질을 탐구하고, 새로운 평가 지표인 경험적 예측 이동(empirical prediction shift)을 제안한다. 제안한 방법의 우수성을 Pascal VOC, IMC-PT-SparseGM, CUB2001 데이터셋에서 수행한 의미 키포인트 부분 매칭 실험을 통해 입증하였다.