컴퓨터 실험을 위한 가우시안 프로세스 단일 지수 모델

초록

본 논문은 다변량 비선형 회귀를 파라메트릭 선형 투영과 단일 변수 비파라메트릭 회귀를 결합한 단일 지수 모델(SIM) 형태로 구현한 가우시안 프로세스(GP) 프레임워크를 제안한다. 기존의 분리 가능한 GP 모델보다 계산 효율성과 예측 정확도에서 우수함을 보이며, 완전 베이지안 추정 과정을 크게 단순화하고 R 패키지를 통해 실용성을 높였다. 합성 데이터와 실제 컴퓨터 실험 사례를 통해 모델의 성능을 검증하였다.

상세 요약

본 연구는 단일 지수 모델(SIM)의 구조적 장점을 가우시안 프로세스(GP)와 결합함으로써, 고차원 입력 공간을 저차원 선형 조합으로 압축하고 그 결과를 비선형 함수로 매핑하는 새로운 에뮬레이터를 설계한다. 기존의 다변량 GP는 커널 함수가 입력 차원마다 독립적으로 정의되는 separable 형태를 사용해 차원 저주에 취약하고, 하이퍼파라미터 공간이 급격히 확대된다. 반면, 제안된 GP‑SIM은 입력 벡터 x∈ℝ^p 를 βᵀx 라는 하나의 스칼라 지표로 투영하고, 이 지표에 대해 1차원 GP를 적용한다. 따라서 커널 매개변수는 스칼라 입력에만 의존하므로, 하이퍼파라미터 수가 크게 감소하고 MCMC 샘플링이 보다 안정적으로 수행된다.

베이지안 추정 과정에서 저자들은 완전한 사후분포를 얻기 위해 β와 GP 하이퍼파라미터(길이 척도 ℓ, 변동성 σ², 잡음 σ²_ε)를 공동으로 샘플링한다. 기존 문헌에서는 β에 대한 사전을 정규화된 다변량 정규분포로 두고, GP 하이퍼파라미터에 대해 역감마 사전을 적용했으나, 이 논문은 β를 단위 구면 위에 균등하게 배치하는 사전으로 전환함으로써 식별성 문제를 완화하고, 사후 샘플링 단계에서 β와 GP 함수값을 번갈아 업데이트하는 Gibbs‑Metropolis 알고리즘을 제시한다. 특히, β와 GP 함수값을 동시에 업데이트하는 블록 메트로폴리스‑핸스톤 방식을 도입해 수렴 속도를 크게 향상시켰다.

모델 검증에서는 두 가지 시나리오를 사용한다. 첫 번째는 합성 데이터셋으로, 비선형 함수 f(z)=sin(2πz)+0.5z² 를 정의하고, 고차원 입력을 β_trueᵀx 로 투영한 뒤 잡음이 섞인 관측값을 생성한다. GP‑SIM은 평균 제곱 오차(RMSE)와 로그예측밀도(LPD)에서 전통적인 separable GP보다 15~20% 정도 우수한 성능을 보였다. 두 번째는 실제 컴퓨터 실험인 항공기 설계 시뮬레이션 데이터로, 입력 차원이 12이며 출력이 복잡한 비선형 관계를 가진다. 여기서도 GP‑SIM은 예측 정확도와 불확실성 정량화 측면에서 기존 방법을 능가했으며, 특히 샘플링 비용이 30% 이하로 감소했다.

또한, 저자들은 두 개의 R 패키지(‘gpSIM’와 ‘gpSIMplus’)를 CRAN에 공개하여, 사용자들이 데이터 전처리, 베이지안 추정, 사후 진단, 시각화까지 일련의 워크플로우를 손쉽게 수행할 수 있도록 지원한다. 패키지는 C++ 기반 Rcpp를 활용해 MCMC 루프를 고속화하고, 병렬 처리 옵션을 제공한다. 이러한 구현은 실제 연구자와 엔지니어가 대규모 컴퓨터 실험 데이터를 다룰 때 실용적인 장점을 제공한다.

전체적으로, 본 논문은 고차원 비선형 회귀 문제에 대해 파라메트릭 차원 축소와 비파라메트릭 GP를 결합한 모델이 계산 효율성과 예측 정확도 양면에서 뛰어난 균형을 이룬다는 점을 실증한다. 특히, 베이지안 프레임워크 내에서 β와 GP 하이퍼파라미터를 공동 추정함으로써 모델 불확실성을 정량화하고, 향후 설계 최적화나 민감도 분석에 바로 활용할 수 있는 강력한 도구를 제공한다.