재생과 고정폭 분석을 통한 마코프 체인 몬테카를로 알고리즘

초록

본 논문은 분할 체인(스플릿 체인) 기법을 이용해 마코프 체인 몬테카를로(MCMC) 추정량의 고정폭 신뢰구간을 이론적으로 정립한다. 재생점(regeneration) 조건을 중심으로 중심극한정리(CLT)와 비대칭 분산 추정기의 강일관성을 완화된 가정 하에 증명하고, 드리프트 조건을 이용해 비정형 상태공간과 제한되지 않은 목표함수에 대한 비점근적 고정폭 결과를 제시한다. 마지막 장에서는 적응형 MCMC의 수렴성과 대수법칙을 경로 안정성(path‑stability) 가정 아래 제시한다.

상세 분석

이 논문은 마코프 체인의 재생 구조를 활용한 분석 프레임워크를 체계적으로 구축한다. 먼저, 기존의 재생 이론을 확장해 ‘필수·충분 조건’이라는 형태로 재생점 존재 여부와 중심극한정리(CLT) 사이의 정확한 관계를 규명한다. 특히, 균등 수렴(uniform ergodicity)과 $E_{\pi}f^{2}<\infty$이라는 최소한의 2차 적분 가능성 가정만으로도 재생 기반 CLT를 증명함으로써, 이전 연구에서 요구되던 강한 마코프 체인 혼합성(mixing) 조건을 크게 완화한다.

다음으로, MCMC 추정량의 비점근적 고정폭 신뢰구간을 구성하기 위해 비편향 분산 추정기의 강일관성(strong consistency)을 확보한다. 여기서는 기존의 배치(mean‑batch) 혹은 스펙트럼 방법과 달리, 재생 구간의 길이와 빈도를 직접 이용해 분산을 추정한다. 드리프트 조건($V$‑geometric drift) 하에서 상태공간이 비compact하고 목표 함수 $f$가 유계가 아니어도, 재생 구간의 평균 길이가 유한하고 $V$‑함수에 대한 적절한 적분조건만 만족하면 고정폭 신뢰구간의 반폭이 원하는 정확도 $\epsilon$ 이하가 되도록 샘플 크기를 명시적으로 제시한다. 이는 실용적인 MCMC 설계 시, 사전적인 상태공간 제한 없이도 정확한 오류 제어가 가능함을 의미한다.

마지막 장에서는 적응형 MCMC(Adaptive MCMC)의 수렴성을 다룬다. 전통적인 적응 조건인 ‘점진적 감소(diminishing adaptation)’와 ‘제한된 적응(containment)’ 대신, 경로 안정성(path‑stability)이라는 새로운 프레임을 도입한다. 이는 각 단계에서 사용되는 전이 커널이 과거 경로에 대해 일정 수준의 연속성을 유지하면, 전체 체인이 거의 확률적으로 동일한 수렴 속도를 보인다는 것을 보인다. 이를 통해 적응형 메타-알고리즘이 목표 분포에 대한 강한 법칙(Law of Large Numbers)과 평균 수렴을 만족함을 증명한다. 전체적으로 논문은 재생 이론을 중심축으로 MCMC의 이론적 기반을 크게 확장하고, 비점근적 고정폭 분석과 적응형 알고리즘의 수렴성을 동시에 제공함으로써 실무와 이론 양쪽 모두에 중요한 기여를 한다.