이진 데이터의 평균과 상관을 지정하는 파라메트릭 샘플링 방법

본 논문은 고차원 이진 벡터를 임의의 평균과 상관 구조를 갖도록 샘플링하는 새로운 파라메트릭 접근법을 제시한다. 서론에서는 베이지안 변수 선택, 장기 연구의 소표본 특성, 이산 최적화, 물리학의 강자성 모델, 신경망 성능 평가, 시장 세분화 등 다양한 분야에서 상관이 있는 이진 데이터의 샘플링 필요성을 강조한다. 기존의 마코프 전이(MH) 알고리즘에서는 제안 분포 q가 목표 분포 π와 가깝게 설계될수록 수용 확률 λ가 높아져 효율이 증가한다는 점을 상기한다. 따라서 평균·상관을 정확히 맞출 수 있는 파라메트릭 가족이 필요함을 주장한다. 2절에서는 이진 벡터의 기본 표기법을 정리하고, 교차‑모멘트 m_I=E