고차원 라그랑주 알고리즘의 최적 스케일링과 확산 한계

본 논문은 고차원(무한 차원) 힐베르트 공간에 정의된 목표분포에 대해 Metropolis‑adjusted Langevin Algorithm(MALA)의 효율성을 정량적으로 분석한다. 목표분포 π는 Gaussian 기준측도 π₀(평균 0, 공분산 C)와 Radon‑Nikodym 파생 Ψ에 의해 dπ/dπ₀(x)=M_Ψ exp(−Ψ(x)) 로 표현되며, C는 trace‑class인 양의 정의 연산자이다. Karhunen‑Loève 전개를 이용해 π₀를 좌표 x_j∼N(0,λ_j²) 로 나타내고, Sobolev‑유사 공간 H^r (r∈ℝ) 을 도입해 π₀가 H^r에 전적으로 지지함을 보인다(T_r(H^r)(C_r)<∞). MALA 제안은 y = x + δ∇logπ_N(x) + √{2δ} Z (Z∼N(0,I_N)) 로, 여기서 δ는 제안 분산이다. 저자들은 δ=ℓ Δt, Δt=N^{-γ} 로 두고, 연속 보간 과정 z_N(t)=x_k + (t−kΔt)/Δt (x_{k+1}−x_k) 를 정의한다. 주요 목표는 어떤 γ와 ℓ이 무한 차원 확산 한계에 적합한가를 찾는 것이다. 이를 위해 마코프 체인을 drift‑martingale 형태로 분해하고, martingale에 대한 불변 원리를 증명한다. 결과적으로, γ=1/3, 즉 δ∝N^{-1/3} 일 때, z_N(t) 가 H^s‑강도(적절한 s>0)에서 제한 과정 dz(t)=−h(ℓ)