본 논문은 신경 확률 미분 방정식(SDEs)에 대한 변분 추론(VI)을 위한 계층적 제어 이론 기반 방법을 제시합니다. 신경 SDEs에 대한 VI는 시계열에서 불확실성을 인식하는 추론에 유망한 방법이지만, ELBO를 최대화하는 반복적인 특성으로 인해 계산적으로 어려움이 있습니다. 본 연구에서는 제어 항을 선형 및 잔차 비선형 구성 요소로 분해하고, 확률적 최적 제어를 사용하여 선형 SDEs에 대한 최적 제어 항을 도출합니다. 신경망으로 비선형 구성 요소를 모델링하여 표현력을 희생하지 않고 신경 SDEs를 효율적으로 훈련하는 방법을 보여줍니다. 제어 항의 선형 부분은 최적이므로 학습할 필요가 없어 훈련 비용이 낮아지고 더 빠른 수렴을 관찰할 수 있습니다.
