본 논문은 베이즈 최적화 및 로봇 공학 등 다양한 분야에서 활용되는 제약 조건 하 샘플링 문제를 다룹니다. 특히, 실질적으로 분리된 여러 구성 요소로 분해되는 제약 조건 집합에 대한 효율적인 샘플링 방법을 제시합니다.
MASEM(Manifold Sampling via Entropy Maximization)은 k-최근접 이웃 밀도 추정을 기반으로 경험적 분포의 엔트로피를 최대화하는 리샘플링 방식을 사용합니다. 이는 평균장 상태에서 경험적 분포와 최대 엔트로피 목표 사이의 KL-다이버겐스를 지수적으로 감소시킵니다.
MASEM은 합성 및 로봇 기반 벤치마크에서 다양성과 효율성을 입증했으며, Sinkhorn 거리가 기존 방식보다 수배 개선되는 빠른 혼합을 가능하게 합니다.