블로그 | Patty · 2026. 10. 16.
ConicFlow, 흐름을 다스리는 법
AI 엔지니어링 브리핑
ConicFlow는 이미 학습된 생성 모델을 다시 학습하지 않고도, 원하는 보상은 높이면서 최종 결과가 반드시 정해진 조건을 만족하도록 샘플링 과정을 제어하는 방법을 제안합니다.
문제 & 배경
- 문제 & 배경: 보상을 높이려고 생성 흐름을 강하게 바꾸면 원래 모델의 분포에서 멀어지고, 제약을 단순한 벌점으로 처리하면 최종 결과가 조건을 어길 수 있어 보상·품질·제약을 동시에 만족하기 어려웠습니다.
기술 & 해결책
- 기술 & 해결책: ConicFlow는 샘플링을 최적 제어 문제로 바꾸어 흐름에서 벗어나는 정도에는 비용을 부과하고, 짧은 구간을 반복해서 계획하면서 쌍대 변수로 제약별 강도를 조절하며, 예측한 최종 지점이 hard 제약을 만족하도록 궤적을 수정합니다.
교훈 & 주의점
- 교훈 & 주의점: 실험에서는 보상과 제약 만족도를 높이면서 흐름에서의 이탈을 줄였지만, 이론적 보장은 특정 가정 아래의 근사 결과이고 실제 적용에서는 윈도우 길이·추론 비용·종착점 예측의 정확도·빠르게 변하는 흐름을 함께 검토해야 합니다.
함께 읽을 글
내용이 비슷해요내용이 비슷한 글을 먼저 보여드려요. 같은 문제나 해결책을 다룬다는 뜻은 아니에요.