대칭 그래프를 위한 고효율 트리 가중 변분 추론

본 논문은 대칭성을 갖는 확률 그래프 모델, 특히 첫 번째‑차원(First‑order) 확률 모델에서 발생하는 대규모 마코프 랜덤 필드(MRF)를 대상으로 변분 추론을 고도화한다. 기존의 변분 방법은 일반적으로 지상 그래프의 모든 변수와 엣지를 개별적으로 다루어야 하므로, 변수 수가 많아질수록 계산량이 급격히 증가한다. 저자들은 이러한 문제를 자동동형군을 이용해 변수와 특징을 궤도(orbit)로 묶음으로써, “리프팅(lifted)”된 저차원 문제로 변환한다. 먼저, 자동동형군 A는 변수 순열 π와 특징 순열 γ의 쌍 (π,γ)으로 정의되며, 모델의 구조와 파라미터 결합을 보존한다. 파라미터가 동일하게 묶여 있는 경우(파라미터 타이잉), A의 부분군인 리프팅 그룹 A_Δ가 정의되고, 이 그룹이 생성하는 궤도 분할 ϕ는 변수와 특징을 동등하게 처리할 수 있는 최소 단위가 된다. 이때, 원래의 변분 목표인 \