[논문 리뷰] CORDS: Continuous Representations of Discrete Structures

Tin Hadži Veljković, Erik J. Bekkers외 2명|arXiv (Cornell University)|2026. 01. 29.

Machine Learning in Materials Science인용 수 0

한 줄 요약

CORDS는 가변 크기 집합의 예측을 연속적이고 가역적인 추론 문제로 전환하고, 집합을 밀도(density) 및 특징 필드(feature fields)로 인코딩하여 다시 이산적 집합으로 정확하게 디코딩할 수 있게 한다.

ABSTRACT

Many learning problems require predicting sets of objects when the number of objects is not known beforehand. Examples include object detection, molecular modeling, and scientific inference tasks such as astrophysical source detection. Existing methods often rely on padded representations or must explicitly infer the set size, which often poses challenges. We present a novel strategy for addressing this challenge by casting prediction of variable-sized sets as a continuous inference problem. Our approach, CORDS (Continuous Representations of Discrete Structures), provides an invertible mapping that transforms a set of spatial objects into continuous fields: a density field that encodes object locations and count, and a feature field that carries their attributes over the same support. Because the mapping is invertible, models operate entirely in field space while remaining exactly decodable to discrete sets. We evaluate CORDS across molecular generation and regression, object detection, simulation-based inference, and a mathematical task involving recovery of local maxima, demonstrating robust handling of unknown set sizes with competitive accuracy.

연구 동기 및 목표

• 사전에 집합 크기나 패딩을 지정하지 않고 가변 크기 집합의 예측을 다룬다.
• 집합에서 연속 필드로의 가역 매핑을 제공하여 필드 공간에서의 학습만으로 가능하게 한다.
• 분자 생성, 물체 탐지, 시뮬레이션 기반 추론 및 수학적 회복 작업에의 적용 가능성을 보여준다.

제안 방법

• 공간 객체의 이산적 집합을 같은 지원에 걸쳐 밀도 필드(위치 및 개수)와 특징 필드(속성)로 변환하는 가역 매핑을 정의한다.
• 모델을 이산적 집합이 아닌 필드 공간에서 작동시키되 원래의 집합으로의 정확한 디코딩을 보장한다.
• 다중 도메인에서 접근법을 평가한다: 분자 생성 및 회귀, 물체 탐지, 시뮬레이션 기반 추론, 그리고 로컬 극값이 포함된 수학적 회복 작업.

실험 결과

연구 질문

• RQ1 연속 필드 표현을 사용하여 명시적 집합 크기나 패딩 없이 가변 크기 집합을 정확하게 예측할 수 있는가?
• RQ2 가역 필드 공간 매핑이 다양한 작업에서 이산적 집합의 정확한 복원을 가능하게 하는가?
• RQ3 알려지지 않은 집합 크기를 다루는 작업에서 CORDS의 성능은 전통적 패딩 표현과 비교하여 어떠한가?

주요 결과

• CORDS는 이산적 집합을 연속 밀도 및 특징 필드로 가역 매핑한다.
• 필드 공간에서 학습된 모델은 이산적 집합으로 정확하게 디코딩된다.
• 이 방법은 분자 생성 및 회귀, 물체 탐지, 시뮬레이션 기반 추론 및 수학적 작업에 걸쳐 평가되었으며, 알려지지 않은 집합 크기에서도 견고하게 처리하고 경쟁력 있는 정확도를 보인다.