잠재 트리 그래프 모델의 강인 추정 불완전 파라미터에서도 숨은 상태 복원

초록

본 논문은 Kesten‑Stigum(KS) 임계값 이하에서 잠재 트리 그래프 모델을 추정하는 새로운 알고리즘을 제시한다. 연속적인 가우시안 모델과 일반적인 가역 마코프 모델(GTR)을 모두 다루며, 파라미터 추정 오차에 강인한 숨은 상태 추정기를 설계한다. 이를 통해 이산화 가정 없이도 $O(\log^{2} n)$개의 샘플만으로 트리 구조와 엣지 가중치를 정확히 복원할 수 있음을 증명한다.

상세 분석

이 연구는 잠재 트리 그래프 모델의 두 핵심 문제, 즉 트리 구조 추정(Tree Model Estimation, TME)과 숨은 상태 추정(Hidden State Inference, HSI)을 하나의 통합 프레임워크로 연결한다. 기존 문헌에서는 KS 임계값(g★KS=ln√2) 이하에서 TME를 달성하려면 엣지 가중치를 미리 이산화(discretization)해야 한다는 가정이 필요했으며, 이는 파라미터 추정 오차가 누적될 경우 알고리즘이 붕괴되는 한계가 있었다. 저자들은 이러한 제약을 없애기 위해 “재귀적 숨은 상태 추정기”를 고안한다.

핵심 아이디어는 각 내부 노드 v에 대해 자식 노드 y₁, y₂의 추정값 S_{y₁}, S_{y₂}를 선형 결합하여 S_v = ω₁ S_{y₁} + ω₂ S_{y₂} 형태의 새로운 추정값을 만든다. 여기서 가중치 ω₁, ω₂는 현재 단계에서 추정된 엣지 길이와 이전 단계에서 측정된 바이어스 B(y₁), B(y₂)를 이용해 선택된다. 이렇게 하면 (i) 조건부 기대값 E