Expanding Flow Maps

출력 크기(차원)가 고정된 기존 생성 모델의 한계를 극복하고, 데이터 크기 자체를 학습하는 새로운 플로우 맵(EFM)을 제안했다.

이 논문은 한마디로 생성 모델이 출력의 '크기'를 스스로 정하게 만드는 새로운 프레임워크를 제안한다. 기존 플로우 기반 생성 모델은 미리 정해진 차원이나 길이 안에서만 동작했는데, 저자들은 '확장 연산자(expand operator)'와 '이동 맵(transport map)'을 결합해 생성 과정 중에 상태 공간을 늘려가는 EFlow를 만들었다. 분자 구조 생성, 분자 그래프 생성, 언어 생성 실험에서 기존 고정 크기 모델들과 비슷하거나 더 나은 성능을 보였다. 특히 분자 그래프 생성에서 1스텝만에 기존 대비 5배 낮은 오차(FCD)를 기록했다.

핵심 요약

• 생성 과정 중에 차원을 늘려가는 '확장 생성 플로우(EFlow)'라는 새로운 생성 모델 구조를 처음 제안했다.
• expand(확장) 연산과 transport(이동) 연산을 번갈아 적용해서, 적은 스텝(1~2회)만에 고품질 데이터를 생성한다.
• 분자 그래프 생성에서 기존 방식(CFM) 대비 1스텝 오차(FCD)를 5배 낮췄다 (0.44 vs 2.14).
• 언어 생성(LM1B)에서도 고정 길이 모델(FLM)을 능가하며, 변수 길이 생성이 품질 저하를 일으키지 않음을 보였다.
• 연속(분자 구조)과 이산(그래프, 언어) 도메인 모두에서 동일한 프레임워크가 작동함을 입증했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.