🤖 machine learning

Multi-Axis Max@K Reinforcement Learning for Representative Diversity in Text-to-Image Generation

이 논문은 배치 내의 특정 의미론적 모드(semantic modes)에 대한 커버리지를 독보적으로 개선할 때만 샘플에 크레딧을 부여함으로써, 이미지 품질이나 프롬프트 정렬을 저해하지 않으면서도 더 높은 공정성 점수를 달于하는, 텍스트-투-이미지 생성의 다양성과 인구통계학적 공정성을 향상시키는 그룹 기반 강화 학습 목적 함수인 multi-axis max@K를 소개한다.

원저자: Ku Onoda, Paavo Parmas, Hiroki Furuta, Soichiro Nishimori, Yuta Oshima, Shohei Taniguchi, Yutaka Matsuo

게시일 2026-07-17

📖 6 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Ku Onoda, Paavo Parmas, Hiroki Furuta, Soichiro Nishimori, Yuta Oshima, Shohei Taniguchi, Yutaka Matsuo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 거대하고 마법 같은 예술 스튜디오로 걸어 들어간다고 상상해 보세요. 그곳에는 당신이 묘사하는 어떤 그림이든 즉석에서 그려내는 로봇 화가가 있습니다. 당신이 "탐정을 그려줘"라고 말하면, 펑! 하고 탐정이 나타납니다. 다시 한번 말하면, 또 다른 탐정이 나타납니다. 하지만 여기 함정이 있습니다. 당신이 요청할 때마다 로봇은 항상 똑같은 종류의 탐정을 그립니다. 아마도 항상 트렌치코트를 입은 키 큰 남성일 것입니다. 마치 로봇이 좋아하는 옷이 정해져 있고 그것 외에는 시도하기를 거부하는 것 같습니다. 이것은 현대의 "텍스트 투 이미지(text-to-image)" AI가 겪는 흔한 문제입니다. 이 로봇들은 실사처럼 보이게 하고 당신의 단어에 딱 맞게 그림을 만드는 데는 매우 뛰어나지만, 종종 똑같은 몇 가지 변형만을 반복해서 만들어내며 정체되는 경우가 많습니다. 만약 당신이 "의사"나 "리더"를 요청했을 때 로봇이 항상 특정한 유형의 사람만을 보여준다면, 이는 좁고 불공정한 세계관을 강화하게 됩니다. 과학자들은 이를 "다양성(diversity)"의 결여라고 부릅니다.

이를 해결하기 위해 연구자들은 보통 로봇에게 "다르게 만들어봐!"라고 말하곤 합니다. 하지만 종종 로봇에게 다양성을 강요하면, 그림이 이상해지거나, 흐릿해지거나, 그냥 형편없어지곤 합니다. 로봇은 혼란에 빠져 당신의 지시를 듣지 않게 됩니다. 이 논문은 로봇이 평정심을 잃지 않으면서도 다양해질 수 있도록 가르치는 영리한 새로운 방법을 소개합니다. 저자들은 "Multi-Axis Max@K"라고 불리는 방법을 제안합니다. 이것은 마치 당신이 단 한 명의 최고의 가수만 뽑는 것이 아니라, 전체 참가자 그룹을 보고 "좋아, 이 사람은 최고의 가수고, 이 사람은 최고의 무용수고, 이 사람은 최고의 마술사야"라고 말하는 오디션 프로그램과 같습니다. 목표는 한 사람이 모든 것을 완벽하게 해내는 것이 아니라, 그룹 전체가 모든 영역을 커버하는 것입니다. 연구진은 이 아이디어를 테스트했고, 이것이 이미지의 선명도와 묘사의 정확도를 유지하면서도 AI가 훨씬 더 넓은 범위의 사람과 색상을 생성하도록 돕는다는 것을 발견했습니다.

문제점: 로봇의 "최애" 의상

당신에게 그림 그리기를 좋아하는 친구가 있다고 상상해 보세요. 당신이 "고양이"를 그려달라고 부탁합니다. 친구는 복슬복슬한 주황색 태비 고양이를 그립니다. 다시 부탁해도 똑같은 주파색 태비 고양이를 그립니다. 세 번째로 부탁해도 여전히 그 주황색 태비 고양이입니다. 당신의 친구는 그림을 못 그리는 것이 아닙니다. 단지 루프에 빠진 것입니다. 친구는 고양이를 그리는 자신만의 "선호 모드"를 가지고 있고, 계속 그 모드를 누르고 있는 것입니다.

인공지능(AI), 특히 "텍스트 투 이미지" 모델의 세계에서는 이런 일이 항상 일어납니다. 이 모델들은 인터넷의 수십억 개의 이미지로 학습됩니다. 만약 인터넷에 여성이나 다른 인종보다 백인 남성의 의사 사진이 더 많다면, AI는 "의사"를 "백인 남성"과 동일시하게 됩니다. 당신이 의사를 요청할 때, AI는 그 좁은 기억 저장소에서 정보를 꺼내옵니다.

일반적인 해결책은 AI에게 "다양해져라!"라고 말하는 것입니다. 하지만 단순히 "다양해져라"라고 소리치기만 하면, AI는 혼란에 빠질 수 있습니다. AI는 감자를 닮은 의사나 청진기를 목에 건 고양이를 그리기 시작할 수도 있습니다. AI는 차별화되려고 노력하지만, 당신의 지시를 따르는 법을 잊어버립니다. 연구자들은 AI가 당신의 지시를 잘 따르면서도—즉, 그림이 나빠지지 않으면서도—여성 의사, 남성 의사, 흑인 의사, 아시아인 의사 등 다양한 옵션을 보여줄 수 있는 방법을 원했습니다.

해결책: "최고의 팀" 오디션

이 논문의 저자들은 AI가 학습하는 새로운 규칙을 고안해 냈습니다. 그들은 이를 Multi-Axis Max@K라고 부릅니다. 이름은 복잡해 보이지만, 간단한 이야기로 풀어보겠습니다.

당신이 학생들을 채점하는 선생님이라고 상상해 보세요. 당신에게는 수학, 미술, 음악, 스포츠라는 "기술" 목록이 있습니다.

기존 방식 (스칼라 보상 - Scalar Reward): 당신은 각 학생을 개별적으로 봅니다. "학생 A는 수학은 뛰어나지만 다른 것은 다 못해. 학생 B는 미술은 뛰어나지만 다른 것은 다 못해." 만약 단순히 점수를 모두 더한다면, 당신은 모든 면에서 적당히 괜찮지만 어느 하나도 뛰어나지 않은 학생을 뽑게 될 수도 있습니다. 혹은 수학 천재를 뽑느라 학급에 음악가가 없다는 사실을 무시할 수도 있습니다 있습니다.
새로운 방식 (Multi-Axis Max@K): 당신은 학급 전체를 하나의 그룹으로 봅니다. 당신은 묻습니다. "이 그룹에서 최고의 수학 천재는 누구인가?" 당신은 학생 A를 뽑습니다. "최고의 음악가는 누구인가?" 당신은 학생 B를 뽑습니다. "최고의 스포츠 선수는 누구인가?" 당신은 학생 C를 뽑습니다.

마법은 여기서 일어납니다. 그룹은 한 명의 학생이 세 가지를 모두 잘해서가 아니라, 수학 천재, 음악 천재, 스포츠 천재를 모두 포함하고 있기 때문에 높은 점수를 받습니다. AI는 하나의 완벽한 그림이 모든 것을 다 잘할 필요가 없다는 것을 배웁니다. 대신, 한 그룹(batch)의 그림들이 서로 다른 것들을 대표할 때 그 그룹이 성공적이라는 것을 배웁니다.

"Max" 부분은 AI가 그룹 내에서 각 카테고리의 최고 사례를 찾는다는 것을 의미합니다. "K" 부분은 K개의 그림(예: 7개 또는 10개의 묶음)을 하나의 그룹으로 본다는 뜻입니다. "Multi-Axis" 부분은 여러 가지 카테고리(예: 다양한 피부색, 성별, 색상 등)를 동시에 체크한다는 뜻입니다.

어떻게 테스트했나: 픽셀에서 사람까지

연구진은 단순히 추측만 한 것이 아니라, 단계별로 복잡도를 높여가며 세 가지 방식으로 테스트했습니다.

1. 색상 게임 (합성 테스트)
먼저, 간단한 컴퓨터 프로그램을 사용해 게임을 진행했습니다. 프로그램에게 빨강, 초록, 파랑 또는 다른 색상의 이미지를 생성하라고 명령했습니다. 그리고 생성된 이미지의 그룹이 모든 색상을 커버하면 점수를 얻는 규칙을 설정했습니다.

결과: 기존의 "단일 점수" 방식을 사용했을 때, 프로그램은 점수를 얻기 가장 쉬운 방법인 빨간색 이미지만 잔뜩 만드는 게으른 모습을 보였습니다. 하지만 새로운 "Multi-Axis Max@K" 방식을 사용했을 때, 프로그램은 빨강, 초록, 파랑 이미지가 모두 필요하다는 것을 깨달았습니다. 그래서 점수를 분산하여 다양한 색상의 조합을 만들기 시작했습니다.

**2. 픽셀 퍼즐 (규칙 기반 테스트)**와
다음으로, 실제 이미지 생성기인 SD3.5-M(유명한 AI 아트 모델)을 사용했습니다. 이번에는 사람이 그림을 판단하지 않았습니다. 대신, 픽셀을 보고 색상을 세는 컴퓨터 프로그램을 사용했습니다. AI에게 특정 색상 테마(예: "따뜻한 색" 또는 "어두운 색")를 가진 그림을 만들라고 요청했습니다.

결과: AI는 밝고 따뜻한 그림 하나, 차갑고 푸른 그림 하나, 어두운 그림 하나가 포함된 배치를 생성하는 법을 배웠습니다. 인간이 무엇이 좋은지 알려주지 않아도, AI는 색상의 모든 "축(axes)"을 성공적으로 커버했습니다.

3. 공정성 테스트 (인지된 외형)
마지막으로, 가장 크고 현실적인 문제인 공정성을 다루었습니다. 연구진은 AI에게 다양한 직업(예: "의사", "예술가", "과학자")의 그림을 생성하도록 했습니다. 그들은 AI가 다양한 인종과 성별을 보여주는지 확인하고 싶었습니다.

설정: 인종과 성별을 "추측"하는 자동화 도구를 사용했습니다. "흑인 여성", "아시아인 남성", "라틴계 여성" 등과 같은 "타겟 모드"를 정의했습니다.
결과: 새로운 방식을 적용했을 때, AI는 훨씬 더 균형 잡힌 그룹을 생성하기 시작했습니다.
- 수정 전에는 "의사"에 대한 16장의 그림 묶음 중 13장이 백인 남성이었고 나머지 3명만이 다른 배경을 가진 사람들이었습니다.
- 수정 후에는 16장의 그림 묶음에 백인 남성 4명, 흑인 3명, 아시아인 4명, 인도인 2명, 라틴계 3명 등이 포함될 수 있었습니다.
- 연구진은 이를 "공정성 점수"로 측정했습니다. 이 새로운 방식은 기본 모델에 비해 점수를 0.23에서 0.36만큼 향상시켰습니다. 이는 엄청난 도약입니다! 가장 중요한 점은, 그림의 품질이 여전히 좋았다는 것입니다. "텍스트 정렬(text alignment, 그림이 '의사'라는 단어와 얼마나 잘 맞는가)" 수치는 높게 유지되었고 이미지 품질도 떨어지지 않았습니다.

의미와 한계 (알아야 할 점)

이 논문은 우리가 AI에게 보상을 주는 방식을 바꿈으로써, AI가 자연스럽게 다양성을 추구하도록 만들 수 있음을 보여줍니다. 단순히 다르게 만들라고 강요하는 것(이는 그림을 이상하게 만듭니다)이 아니라, 그룹이 다양한 대표성을 갖도록 보상하는 것입니다.

하지만 저자들은 이 기술이 하지 못하는 것에 대해서도 주의를 기울입니다.

이 기술은 무에서 유를 창조하는 것이 아닙니다. 만약 AI가 특정 유형의 사람에 대한 사진을 본 적이 없다면, 마법처럼 그들을 만들어낼 수는 없습니다. 단지 이미 알고 있는 사람들을 골고루 배치할 수 있을 뿐입니다.
이 기술은 AI가 받는 "점수"에 의존합니다. 만약 그림을 판단하는 도구(평가 도구)가 편향되어 있다면, AI는 잘못된 교훈을 얻을 수 있습니다. 연구진은 자동화된 도구를 사용하여 결과를 판단했으며, 결과의 일관성을 위해 다양한 도구로 검증했지만, 궁극적인 시험대는 결국 인간의 눈이라는 점을 인정합니다.
이 기술은 "다양성"이 무엇인지 명확한 목록(예: 특정 인종이나 색상의 목록)이 있을 때 가장 잘 작동합니다. 이는 AI가 특정 목표를 달eric 수 있도록 돕는 도구이지, 세상의 모든 공정성 문제를 해결하는 마법 지팡이는 아닙니다.

요약

이 논문은 로봇 화가에게 새로운 규칙책을 주는 것과 같습니다. "하나의 완벽한 그림을 만들어라"라고 말하는 대신, "그림 한 그룹을 만들되, 그 그룹에 모든 것이 조금씩 들어있다면 금메달을 주겠다"라고 말하는 것입니다.

그 결과는 어떠할까요? AI는 덜 지루해지고 더 공정해집니다. 똑같은 "기본값"의 사람만을 반복해서 보여주는 것을 멈추고, 실제 세상의 풍요롭고 다채로운 다양성을 보여주기 시작합니다. 그리고 이 과정에서 그림이 깨진 것처럼 보이는 오류도 범하지 않습니다. 이는 수학적인 작은 변화이지만, 우리가 기계로 만든 예술 속에서 우리 자신을 바라보는 방식에 훨씬 더 큰 변화를 가져올 수 있습니다.

문제 정의

텍스트-이미지(T2I) 모델, 특히 확산 기반 생성기(diffusion-based generators)는 단일 프롬프트에 대해 시각적으로 구별되는 모드(mode)의 매우 좁은 부분집합만을 생성하는 경우가 많습니다. 이러한 모델들은 사실적인 이미지를 합성하지만, 종종 **대표적 다양성(representative diversity)**이 결여되어 있습니다. 이러한 한계는 단일한 그럴듯한 이미지가 아니라 다양한 대안 세트를 제공하는 것이 목표일 때 매우 치명적입니다. 인물 중심의 프롬프트에서 이러한 집중 현상은 인종이나 성별과 같은 인구 통계적 편향을 반영하거나 증폭할 수 있는데, 이는 모델이 소외된 범주를 대표하는 강력한 표본을 생성하는 데 실패하기 때문입니다.

기존의 다양성 개입 방식은 이미지 품질을 저하시키는 경우가 많으며, 스칼라 보상(scalar rewards)을 사용하는 표준 강화 학습(RL) 접근 방식은 이 문제에 적합하지 않습니다. 스칼라 보상은 샘플들을 비교하기 전에 단일 이미지 내에서 점수를 집계하는데, 이는 여러 개의 상호 배타적인 타겟 범주(예: 서로 다른 색상 모드 또는 인구 통계적 레이블)를 하나의 그룹 내에서 커버해야 하는 목적을 달성하는 데 부적합합니다. 단일 이미지는 동시에 모든 상호 배타적인 모드를 나타낼 수 없습니다. 따라서 생성된 그룹은 그룹 내의 서로 다른 샘플들이 서로 다른 모드를 위한 강력한 대표자 역할을 할 때 더 선호되어야 합니다.

방법론: Multi-Axis Max@K

저자들은 이 문제를 **타겟 모드 커버리지(target-mode coverage)**로 공식화하고, 확산 모델을 위해 설계된 그룹 기반 강화 학습 목적 함수인 multi-axis max@k를 제안합니다.

1. 목적 함수 공식화:
이미지 내에서 먼저 보상 차원을 집계하는 대신, 이 방법은 샘포를 먼저 집계합니다. 프로프트 $c$ 에 대해 $k$ 개의 샘플 $S_k(c)$ 가 생성됩니다. $D$ 개의 사전 정의된 타겟 모드(축)와 고정된 평가기가 반환하는 각 모드 $d$ 에 대한 점수 $r_d(x, c) \in [0, 1]$ 가 주어질 때, 목적 함수 점수 $G_k$ 는 다음과 같이 정의됩니다:
$G_k(S_k, c) = \sum_{d=1}^{D} w_d(c) \max_{x_i \in S_k(c)} r_d(x_i, c)$
여기서 최댓값은 샘플링된 집합 전체에 대해 축별로 선택되며, 이 최댓값들이 합산됩니다. 이러한 구조는 특정 샘플이 특정 카테고리에 대한 그룹의 최대 점수를 개선하는 경우에만 해당 카테고리에 대한 공로를 인정받도록 보장하며, 이를 통해 서로 다른 샘플이 서로 다른 카테고리에 기여할 수 있도록 합니다.

2. 크레딧 할당 메커니즘 (Credit Assignment Mechanism):
이 집합 수준의 목적 함수를 최적화하기 위해 저자들은 정책 경사 추정치(policy gradient estimator)를 도출합니다.

Leave-One-Out (L2O) 한계 기여도: 샘플 $x_i$ 와 축 $d$ 에 대해, 크레딧은 $x_i$ 를 제거했을 때 그룹의 해당 축에 대한 최대 점수가 감소하는지 여부에 따라 결정됩니다.
Expected Improvement (EI) + L2O: 실제 구현에서 훈련 배치 크기 $m$ 이 목적 윈도우 크기 $k$ 와 다를 수 있으므로, 저자들은 leave-two-out 베이스라인을 포함한 Expected Improvement 추정기를 사용합니다. 이는 $m$ 개의 후보군에서 추출된 가능한 모든 크기 $k$ 의 부분 집합에 대한 개선 사항을 평균 내어 샘플당 어드밴티지(advantage)를 추정합니다.
축 보존 집계 (Axis-Preserving Aggregation): 어드밴티지는 각 축에 대해 독립적으로 계산된 후 최종 집계를 위해 합산됩니다. 이는 최종 집계 단계 전까지 보상 축의 분리를 유지합니다.

3. 훈련 루프:
이 방법은 확산 모델을 위한 표준 GRPO 스타일(Group Relative Policy Optimization) 업데이트를 채택합니다.

프롬프트에 대해 $m$ 개의 후보로 구성된 온-폴리시(on-policy) 그룹을 생성합니다.
$D$ 개의 보상 축에 대해 모든 후보를 점수화합니다.
축별 대표 크레딧(max@K)을 계산하고 이를 샘플당 어드밴티지로 변환합니다.
베이스 모델에 대한 KL 정규화를 적용하여 이 어드밴티지를 사용하여 정책을 업데이트합니다.

주요 기여

대표적 다양성의 공식화: 본 논문은 대표적 다양성을 집합 수준의 목적 함수로서 타겟 모드 커버리지로 정의하며, 이를 개별 이미지의 속성이 아닌 집합 수준의 속성으로 프레이밍합니다.
Multi-Axis Max@K 알고리즘: 저자들은 집합을 구성하는 모드들이 상호 배타적인 생성 모델링에 맞춤화된, 집합 내에서 축별로 max-selection을 수행하는 특정 RL 목적 함수를 도입합니다. 이는 ReMax 목적 함수의 특수한 사례로 제시됩니다.
축 보존 크레딧 할당: 이 방법은 샘플이 특정 모드의 "최고 대표자"가 될 수 있는 능력에 따라 크레딧을 할당하는 그룹 기반 확산 RL 알고리즘을 구현하여, 확률 질량이 단일 모드로 붕괴되는 것을 방지합니다.
포괄적인 검증: 이 방법은 세 가지 뚜렷한 설정에서 검증되었습니다:
- 가우시안 모드의 통제된 합성 혼합물.
- Stable Diffusion 3.5 Medium (SD3.5-M)에서의 결정론적, 규칙 기반 색상 보상 설정.
- SD3.5-M에서의 인지적 외형 공정성(인종 및 성별) 설정.

실험 결과

1. 합성 및 색상 모드 실험:

9개의 상호 배타적인 가우시안 모드가 있는 합성 환경에서, multi-axis max@k는 모든 타겟 모드를 커버하도록 확률 질량을 성공적으로 재분배했습니다. 반면, 스칼라 단일 모드 보상은 선호되는 단일 모드로 분포를 붕괴시켰습니다.
7개의 규칙 기반 색상 축(예: 빨강, 초록, 따뜻함, 차가움)을 사용하는 SD3.5-M에서, 이 방법은 배치 수준의 커버리지를 크게 향상시켰습니다. 훈련 윈도우 $k=7$ 일 때, 모델은 베이스 모델에 비해 배치-최대 커버리지( $C_{pix}$ )를 57% 증가시킨 반면, $k=1$ 베이스라인(표준 단일 이미지 GRPO)은 개선을 보이지 못했습니다.

2. 인지적 외형 공정성 (Perceived-Appearance Fairness):
이 방법은 인지된 인종(5개 카테고리)과 인지된 성별(2개 카로테고리)을 타겟 모드로 사용하여 인물 중심 프롬프트의 공정성을 개선하는 데 적용되었습니다.

공정성 개선: Multi-axis max@k는 세 가지 자동 평가기(CLIP, VLM, FairFace)에 대해 베이스 SD3.5-M 모델 대비 Fairness Score(균등 분포에 대한 근접도를 측정)를 0.23–0.36 개선했습니다.
베이스라인과의 비교: 이 방법은 카운트 기반 크레딧을 사용하는 매칭된 RL 베이스라인(Fair-GRPO) 및 추론 시 개입 방식(FairImagen, Weak Guidance)보다 우수한 성능을 보였습니다. 특히, 다른 방법들이 텍스트 정렬(CLIP-T 점수 하락)을 희생하면서 공정성을 개선한 것과 달리, multi-axis max@k는 이미지 품질과 텍스트 정렬 지표를 유지하거나 약간 개선했습니다.
질적 변화: 생성된 배치를 시각적으로 검사했을 때, 단일 카테고리(예: "백인")가 지배적이던 상태에서 단일 프로프트의 배치 내에서 5가지 인지된 인종 카테고리 전체에 걸쳐 균형 잡힌 분포로 전환되는 것을 확인했습니다.

3. 절제 연구 (Ablation Studies):

윈도우 크기 ( $k$ ): 하이퍼파라미터 $k$ (max-selection에 고려되는 샘플 수)는 매우 중요합니다. Fairness Score는 $k$ 가 1에서 5(인종 카테고리 수와 일치)로 증가함에 따라 급격히 향상되었으며, 그 이후에는 포화되었습니다. $k=1$ 설정(집합 수준의 크레딧이 없는 경우)은 다양성을 개선하는 데 실패했습니다.
크레딧 메커니즘: 이 방법은 하드 할당(hard-assignment) 카운트 베이스라인보다 우수한 성능을 보였는데, 저자들은 이를 희소한 카테고리에 대한 하위 임계값 증거를 포착하는 소프트 스코어의 능력과 각 축에 대한 "최상의 가용" 대표자에게 명시적으로 부여된 크레딧 덕분이라고 설명합니다.

의의 및 주장

본 논문은 multi-axis max@k가 다양성을 사전 정의된 모드 집합에 대한 커버리지 문제로 취급함으로써 생성 모델링의 다양성을 향상시키는 일반적인 메커니즘을 제공한다고 주장합니다.

메커니즘 유효성: 핵심 기여는 서로 다른 샘플이 배치 내에서 서로 다른 보상 축을 전문화할 수 있도록 하는 크레딧 할당 규칙이며, 이는 스칼라 보상이 해결하지 못하는 "상호 배타적 모드" 문제를 효과적으로 해결합니다.
실질적 영향: 이 방법은 이미지 품질이나 텍스트 정렬을 희생하지 않고도 T2I 생성에서 인구 통계적 공정성을 크게 개선할 수 있음을 입증했습니다. 이는 기존의 공정성 개입에서 흔히 관찰되는 트레이드오프입니다.
한와 및 범위: 저자들은 이 방법이 타겟 모드에 대한 측정 가능한 점수를 필요로 하며, 생성기가 이미 샘로잉할 수 있는 모드만을 크레딧을 줄 수 있다는 점(존재하지 않는 모드를 무에서 유로 만들어내지는 못함)을 겸허히 언급합니다. 또한, 결과는 자동 평가기에 의존하며, 타겟 축(예: 특정 인종/성별 카테고리)의 선택은 어떤 다양성을 달성할지를 결정하는 태스크 수준의 설계 결정 사항입니다. 이 방법은 후보 세트가 특정 축을 커버해야 하는 다양한 도메인에 적용 가능한 집합 수준의 정렬 프리미티브(alignment primitive)로 제시됩니다.