온라인 시뮬레이션 기반 무작위 수용 확률을 이용한 결합 MCMC 방법

초록

본 논문은 목표 분포 비율의 로그를 직접 계산하는 대신, 독립적인 온라인 Monte Carlo 시뮬레이션으로부터 얻은 m개의 표본을 이용한 추정값을 사용한 Metropolis‑Hastings 알고리즘을 제안한다. 추정값의 분포가 특정 조건을 만족하면 전이 커널이 무작위화된 형태가 되며, 이때 수용 확률에 보정항을 추가하면 목표 분포가 불변분포로 유지된다. Ceperley‑Dewing의 Penalty Method, Ball et al.의 Universal Algorithm, Murray et al.의 Single Variable Exchange가 이 프레임워크의 특수 사례임을 보이고, 보정항을 정확히 계산하기 어려운 경우 근사 알고리즘을 설계한다. 근사 체인과 정확한 무작위 체인의 샘플링 경로는 평균적으로 O(m)개의 동일한 샘플을 공유하며, 근사에 의한 편향은 O(1/m) 수준으로 Monte Carlo 오차 O(1/√n)보다 작다.

상세 분석

이 연구는 기존 Metropolis‑Hastings(MH) 알고리즘이 요구하는 정확한 로그 비율 계산을 회피하기 위해, 독립적인 온라인 Monte Carlo 시뮬레이션으로부터 얻은 추정값을 활용한다는 점에서 혁신적이다. 핵심 아이디어는 로그 비율을 추정하는 무작위 변수 Z를 도입하고, Z의 분포가 특정 대칭성(예: 로그‑정규 혹은 대칭적인 확률밀도)과 유한 모멘트를 만족하면, MH 수용 확률 α를 E