최근접 이웃 상호작용 모델의 추정과 최적 설계

초록

본 논문은 그래프 위에서 전파되는 전염병을 결합된 결합 퍼콜레이션 모델로 표현하고, 최종 감염된 정점들의 집합 또는 개수만을 관측하는 상황에서 베이지안 추정을 수행한다. 이를 위해 특화된 마코프 체인 몬테카를로(MCMC) 알고리즘을 설계·검증하고, 실험 설계 관점에서 격자 그래프를 희소화한 실험이 완전 격자보다 파라미터 정보를 더 효율적으로 획득할 수 있음을 보인다. 또한 대규모 감염 클러스터에 대한 추정량의 확률적 거동에 관한 이론적 결과도 제시한다.

상세 요약

이 연구는 공간적 전염병 모델을 그래프 이론과 베이지안 통계의 교차점에 위치시킨다. 저자들은 전염병이 진행된 최종 상태를 ‘bond percolation’ 과정과 동등하게 간주함으로써, 전염병 확산을 확률적 연결망 형성 문제로 전환한다. 관측 가능한 데이터는 감염된 정점들의 전체 집합 혹은 그 크기뿐이므로, 전통적인 시계열 혹은 개별 전염 경로 데이터와는 달리 정보가 극히 제한적이다. 이러한 제한된 관측 하에서 파라미터(특히 전염 확률 p)의 사후 분포를 정확히 추정하기 위해, 저자들은 두 가지 MCMC 스키마를 제안한다. 첫 번째는 ‘집합 기반’ 알고리즘으로, 현재 감염 집합을 제안하고 그에 대응하는 퍼콜레이션 구성요소를 재구성한다. 두 번째는 ‘크기 기반’ 알고리즘으로, 감염된 정점 수만을 이용해 가능한 클러스터 구성을 샘플링한다. 두 방법 모두 상세한 전이 확률과 수용 확률을 설계해, 마코프 체인이 목표 사후분포에 수렴하도록 보장한다. 특히, 전이 단계에서 ‘edge flip’와 ‘cluster merge/split’ 연산을 조합함으로써, 고차원 상태공간에서도 효율적인 탐색이 가능함을 실험적으로 입증한다.

실험 설계 측면에서는, 전통적으로 완전 격자(lattice) 위에서 실험을 수행하는 것이 정보량을 극대화한다는 직관에 도전한다. 저자들은 ‘희소 격자(sparsified lattice)’—즉, 일부 엣지를 제거해 평균 차수를 낮춘 그래프—에서 동일한 수의 실험을 수행했을 때, 파라미터 p에 대한 피셔 정보량이 오히려 증가한다는 사실을 발견한다. 이는 전염 과정이 제한된 경로를 통해 전파될 때, 관측된 클러스터 구조가 파라미터에 더 민감하게 반응하기 때문이다. 이론적으로는 ‘정보-전파 트레이드오프’를 수식화하고, 최적의 엣지 삭제 비율을 도출한다.

마지막으로, 대규모 클러스터(즉, 감염된 정점 수가 그래프 크기의 일정 비율을 초과)에서 사후 평균 추정량의 편향과 분산을 분석한다. 중심극한정리와 대수적 대수적 그래프 이론을 결합해, 클러스터 크기가 n→∞ 일 때 추정량이 정상분포에 수렴하고, 그 분산이 p(1‑p)/E