다중 영역 샘플링과 베이지안 네트워크 구조 추론

초록

다중 모드 후방분포를 영역 기반으로 분할하고, 각 영역의 확률 질량과 조건부 기대값을 추정하는 “다중‑도메인(MD) 샘플러”를 제안한다. 이 방법은 전통적 평균 기반 요약이 무의미한 경우에도 후방분포의 전반적 지형을 파악하게 해 주며, 특히 단일 세포 데이터로부터 단백질‑신호 네트워크를 학습할 때 정확도와 예측력을 크게 향상시킨다.

상세 분석

본 논문은 다중 모드 후방분포를 효과적으로 탐색하고 요약하기 위해 “도메인 기반 표현(DR)”이라는 새로운 개념을 도입한다. 먼저, 연속형 밀도 p(x) 에 대해 gradient ascent(또는 log‑p의 gradient descent)를 적용해 각 점 x가 수렴하는 최종 국소 모드 ν_k 를 정의하고, 이를 통해 도메인 D_k = {x: gradient flow가 ν_k 로 수렴} 를 만든다. 이 도메인들은 거의 겹치지 않으며, 전체 샘플 공간을 거의 완전하게 partition한다(경계는 0 확률 질량). DR은 각 도메인 k 에 대한 확률 질량 λ_k = ∫{D_k} p(x)dx 와 조건부 기대값 μ{h,k}=E