ABC에서 회귀 밀도 추정으로 가능성 함수 근사

초록

본 논문은 Approximate Bayesian Computation(ABC) 환경에서 사후분포 대신 가능성 함수를 직접 근사하는 새로운 접근법을 제시한다. 최근 개발된 주변 적응 밀도 추정기를 조건부 밀도 추정으로 확장하여 회귀 밀도 추정 기법을 적용한다. 이 방법은 사전분포를 여러 번 바꾸어도 한 번의 가능성 근사만으로 다양한 베이지안 및 빈도주의 분석을 수행할 수 있게 하며, 특히 복잡한 스테레올로지 극값 문제에 대해 높은 정확도의 추정 결과를 보여준다.

상세 분석

본 연구는 ABC 방법론의 기존 흐름을 뒤집어 사후분포가 아니라 가능성 함수를 직접 근사하는 전략을 채택한다는 점에서 혁신적이다. 전통적인 ABC는 요약통계와 거리함수를 이용해 시뮬레이션된 데이터와 관측 데이터를 비교하고, 허용오차 이하인 파라미터 샘플을 받아 사후분포를 근사한다. 그러나 이러한 방식은 사전분포와 결합된 사후분포 자체를 추정하기 때문에, 사전이 바뀔 때마다 전체 시뮬레이션 과정을 다시 수행해야 하는 비효율성이 존재한다. 논문은 이를 해결하기 위해 가능성 함수를 조건부 밀도 형태로 모델링하고, 회귀 기반 밀도 추정(regression density estimation) 기법을 활용한다. 구체적으로, 먼저 파라미터 θ와 요약통계 s의 결합 분포 p(θ, s)를 비모수적 방법으로 추정한다. 여기서 최근 제안된 주변 적응(marginal adaptation) 밀도 추정기가 사용되는데, 이는 각 변수의 주변밀도를 정확히 맞추면서 전체 다변량 밀도를 구성한다는 장점을 가진다. 이후 베이즈 정리를 역으로 적용해 p(s|θ)=p(θ, s)/p(θ) 형태의 조건부 가능성 함수를 얻는다. 이 과정에서 p(θ)는 사전분포가 아니라 시뮬레이션 단계에서 생성된 θ 샘플의 경험적 분포이므로, 사전이 바뀌어도 기존 추정된 p(s|θ)를 그대로 재사용할 수 있다. 또한, 회귀 밀도 추정은 고차원 요약통계에 대해 유연하게 적응할 수 있어, 복잡한 비선형 관계를 포착한다는 점에서 기존 커널 ABC보다 정밀도가 높다. 논문은 이 방법을 스테레올로지 극값 모델에 적용해, 극값 이론과 결합된 복잡한 가능성 구조를 성공적으로 근사한다. 실험 결과는 빈도주의 최대우도 추정과 베이지안 사후분포 모두에서 기존 ABC 대비 오차가 현저히 감소했으며, 특히 사전 민감도 분석이 손쉽게 수행될 수 있음을 보여준다. 이와 같이 가능성 함수를 한 번만 근사하고 재활용하는 프레임워크는 계산 비용 절감과 분석 유연성을 동시에 제공한다는 점에서 향후 복잡 모델링에 큰 파급 효과를 기대할 수 있다.