본 논문은 고차원 생물학적 응용(예: 약물 교란)에서 기존의 Sinkhorn 알고리즘보다 계산 및 메모리 효율성이 뛰어난 신경망 기반 최적 수송(OT) 해결사의 해석성 문제를 해결하는 데 초점을 맞춥니다. 신경망 기반 OT 해결사가 학습하는 고차원 맵의 복잡성으로 인해 해석성이 저하되는 문제를 해결하기 위해, 본 논문은 신경망 기반 OT 해결사 내에서 '변위-희소 맵(displacement-sparse maps)'을 학습하는 직관적이고 이론적으로 뒷받침되는 새로운 접근 방식을 제안합니다. 이를 위해 새로운 공식을 기반으로 기존의 ℓ₁ 기반 방법보다 성능이 뛰어난 부드러운 ℓ₀ 정규화기를 도입하고, Input Convex Neural Network의 유연성을 활용하여 스파스성 강도를 적응적으로 제어하는 휴리스틱 프레임워크를 개발합니다. 대규모 고차원 훈련에서 이 적응형 프레임워크의 필요성을 보여주며, 향상된 정확도와 실용적인 사용 편의성을 입증합니다.
