부트스트랩 MCMC로 가속화된 범주판단법 최적화

초록

본 논문은 기존 마코프 체인 몬테카를로(MCMC)의 수렴 속도를 높이기 위해 부트스트랩 기반 적응 스텝을 도입한 BMCMC 알고리즘을 제안한다. 대칭·볼록한 다변량 정규형 분포에 효율적이며, 최적화와 샘플링 두 모드에서 파라미터 추정과 신뢰구간 계산을 동시에 수행한다. 알고리즘을 범주판단법(Law of Categorical Judgment, Corrected)에 적용해 시뮬레이션 데이터로부터 정확한 파라미터를 복구함으로써 실용성을 검증하였다.

상세 분석

BMCMC는 전통적인 Metropolis‑Hastings 절차에 “부트스트랩 스텝 생성기”를 결합한다. 초기 단계에서는 사전 정의된 다변량 정규분포 V*에서 샘플을 추출해 아카이브를 채우고, 이후 90 %의 스텝을 아카이브에 저장된 두 파라미터 벡터의 차이(d = p_i − p_j)를 이용해 생성한다. 이 차이 벡터는 실제 목표 분포 π가 정규형에 가까울 경우 그 형태와 방향을 그대로 반영하므로, 스텝 크기와 방향이 자동으로 최적화된다. 수용률 f_λ을 모니터링하여 스케일링 인자 λ을 동적으로 조정함으로써 ¼ ≈ 0.25의 목표 수용률을 유지한다. λ 조정과 아카이브 크기 증가는 마코프성 위배를 일시적으로 허용하지만, 아카이브가 충분히 커지면 샘플링 분포가 π에 수렴하고 마코프 체인으로서의 성질이 회복된다.

최적화 모드에서는 온도 스케줄을 적용해 초기에는 큰 감소도 허용하고, 점차 온도를 낮추어 국소 최적점에 수렴한다. 로그우도 향상이 일정 수준(0.5 T) 이상이면 “리셋”을 수행해 온도를 약간 상승시키고, 아카이브에서 최저 로그우도 샘플을 제거한다. 이는 지역 최적에 갇히는 위험을 감소시키고, 스텝 스케일이 현재 형태에 맞게 재조정되도록 돕는다. 종료 기준은 (1) 파라미터 이동 방향이 무작위성을 회복했는지 확인하는 “드리프트 검사”와 (2) 베인된 다변량 정규 모델을 이용해 전체 확률질량을 탐색하는 데 필요한 최소 스텝 수를 초과했는지를 동시에 만족할 때이다.

샘플링 모드에서는 온도를 1로 고정하고, 최적화 단계에서 얻은 파라미터 주변을 Metropolis 규칙에 따라 샘플링한다. 아카이브가 충분히 커지면 실제 후방분포(p ∝ π)의 근사 샘플이 되며, 이를 통해 평균, 분산, 신뢰구간 등 모든 통계량을 직접 계산할 수 있다. 메모리 제한 시 오래된 샘플을 삭제해도 샘플링 정확도에 큰 영향을 주지 않는다.

알고리즘의 실험적 검증으로는 “범주판단법(Law of Categorical Judgment, Corrected)”을 대상으로 하였다. 이 모델은 자극과 기준을 각각 정규분포로 가정하고, 관찰된 응답은 자극값과 가장 가까운 기준값의 차이에 의해 결정된다. BMCMC를 이용해 Full Signal Detection Theory, 표준 SDT, 보완 SDT 등 다양한 특수 경우의 파라미터를 시뮬레이션 데이터(수천~수만 트라이얼)에서 복원했으며, 모두 실제값과 통계적으로 유의미한 차이가 없었다. 특히 고차원(≈200 차원) 문제에서도 수백 번의 리셋과 적절한 λ 조정으로 빠른 수렴과 정확한 신뢰구간을 제공하였다.

이와 같이 BMCMC는 부트스트랩 기반 적응 스텝을 통해 전통적 MCMC의 느린 수렴 문제를 해결하고, 복잡한 다변량 모델의 최적화와 베이지안 샘플링을 하나의 프레임워크에서 수행할 수 있음을 보여준다.