음수와 복소 인자를 갖는 팩터 그래프의 몬테카를로 방법 확장

초록

본 논문은 부호가 음수이거나 복소수인 인자를 포함하는 팩터 그래프에 대해, 기존의 양의 실수 인자 전용 몬테카를로 추정법을 일반화한다. 절대값을 이용한 중요도 샘플링, 위상 재구성, 그리고 복소수 가중치의 실수부와 허수부를 별도로 처리하는 새로운 알고리즘을 제시하고, 이론적 수렴 보증과 실험을 통해 정확성과 효율성을 검증한다.

상세 분석

팩터 그래프는 확률적 모델링에서 변수와 인자를 결합해 전역 함수를 표현하는 강력한 도구이며, 그 전역 함수의 정규화 상수인 파티션 함수 Z는 통계 물리, 베이지안 추론, 오류 정정 코드 등 다양한 분야에서 핵심적인 역할을 한다. 전통적인 몬테카를로 방법은 인자가 모두 양의 실수일 때, 즉 확률 분포가 정상화된 경우에만 직접 적용 가능하였다. 그러나 실제 응용에서는 부호가 음수이거나 복소수인 인자가 등장하는 경우가 빈번히 발생한다. 예컨대, 양자 회로 시뮬레이션에서 복소수 위상 인자를 포함한 텐서 네트워크, 혹은 고차원 통계 모델에서 사인 함수와 같은 음수 가중치를 사용하는 경우가 있다. 이러한 상황에서는 기존 샘플링 기법이 “확률”이라는 개념을 잃어버리게 되며, 샘플의 가중치가 상쇄되어 분산이 급격히 증가한다는 문제가 있다.

논문은 이러한 난관을 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 인자의 절대값을 이용해 새로운 확률 분포 q(x)=|f(x)|/Ẑ를 정의하고, 원래 인자 f(x)와는 부호 혹은 위상 φ(x)=arg f(x) 를 별도로 추적한다. 샘플링 단계에서는 q(x)에 따라 표본을 추출하고, 각 표본에 대해 φ(x) 를 곱해 복원한다. 이는 “위상 재구성(phase reconstruction)”이라고 불리며, 복소수 인자에 대해서는 실수부와 허수부를 각각 분리해 동일한 절차를 적용한다. 둘째, 중요도 샘플링의 변형으로, 샘플링 분포를 최적화하기 위해 사전 추정된 근사 분포 p̂(x)를 사용하고, 가중치 w(x)=f(x)/p̂(x) 를 통해 편향을 보정한다. 특히, 음수 인자가 존재할 경우 w(x) 의 부호가 샘플 평균에 직접 영향을 미치므로, 부호를 별도로 집계해 평균값을 복원한다.

수학적으로는, 파티션 함수 Z=∑_x f(x) 를 Z=E_q