7월 6일부터 11일까지 열린 2026 ICML에서 송재민 박사과정생이 발표하였습니다.

○ 연구주제: Understanding Solver-Induced Variance Distortion in Conditional Diffusion Regression

○ 연구내용

 - 조건부 확산 회귀의 역방향 샘플링 과정에서 발생하는 분산 왜곡을 학습-오라클 차이와 오라클 편향으로 분해하여 분석함.

 - 역방향 솔버의 국소 미분, 노이즈 주입, 비선형 잔차를 기반으로 조건부 분산이 변화하는 메커니즘을 수학적으로 정식화하고 이론을 제시함.

 - 이분산(heteroskedastic) 특성을 갖는 4개 합성 데이터셋(Xsinx, Sine, Curve, Cubic-Step)을 활용하여 솔버별 조건부 분산 추정 성능을 비교·평가함.

 - Euler-Maruyama(EM), Exponential Integrator, Probability-Flow ODE(PF-ODE) 등 다양한 역방향 솔버의 예측 성능과 분산 왜곡 특성을 실험적으로 비교·분석함.

 - 경로별 기여도 분석을 통해 분산 왜곡의 주요 원인이 솔버의 transport, noise injection, remainder 메커니즘에 있음을 규명함.