동적 베이지안 네트워크를 위한 라오 블랙웰리제이션 파티클 필터

본 논문은 동적 베이지안 네트워크(DBN)에서 확률적 추론을 수행하기 위한 파티클 필터(PF)의 효율성을 구조적 라오‑블랙웰리제이션(Rao‑Blackwellisation) 기법을 통해 크게 향상시키는 방법을 제시한다. 파티클 필터는 비선형·비가우시안 시스템에 대해 샘플링 기반으로 사후분포를 근사하지만, 상태 차원이 커질수록 입자 수가 급증하고, 이로 인해 추정 정확도가 저하되는 차원의 저주 문제에 직면한다. 라오‑블랙웰리제이션은 이러한 문제를 해결하기 위해 상태 변수를 두 부분으로 나누어, 일부는 직접 샘플링하고 나머지는 조건부 확률분포가 알려진 경우 정확히 마진화한다는 통계적 원리를 이용한다. 논문은 먼저 DBN의 그래프 구조를 분석하여 어떤 변수들을 마진화할 수 있는지 판단한다. 연속적인 상태 변수는 선형‑가우시안 가정 하에 칼만 필터를 적용하고, 이산 전이 변수는 히든 마코프 모델(HMM) 필터를 이용한다. 이렇게 마진화된 변수들은 각 파티클이 보유하는 충분통계(예: 평균·공분산, 전향·후향 확률)로 표현되며, 샘플링된 변수와 결합해 전체 사후를 구성한다. 업데이트 단계는 다음과 같이 진행된다. (1) 현재 파티클 집합에서 제안 분포에 따라 샘플링된 변수의 새로운 값을 생성한다. (2) 마진화된 변수에 대해 조건부 사후분포를 정확히 계산한다. (3) 중요도 가중치는 제안 분포와 목표 사후분포의 비율로 정의되며, 마진화된 변수의 정확한 사후가 포함되므로 가중치 분산이 크게 감소한다. (4) 재샘플링 단계에서는 가중치가 낮은 입자를 제거하고, 높은 가중치를 가진 입자를 복제함으로써 입자 소멸 현상을 최소화한다. 알고리즘 복잡도는 샘플링 비용 O(N·d_s)와 마진화 연산 비용 O(N·d_m²) (d_s: 샘플링 변수 차원, d_m: 마진화된 연속 변수 차원)으로 구성된다. 마진화된 변수에 대한 정확한 업데이트가 입자 수 N을 크게 줄일 수 있기 때문에, 전체 실행 시간은 전통적인 PF보다 효율적이다. 또한, 마진화된 변수의 충분통계는 파라미터 학습이나 모델 선택에 유용한 정보를 제공한다. 실험에서는 두 가지 대표적인 응용을 통해 제안 방법의 실효성을 검증한다. 첫 번째는 비정상적인 온라인 회귀 문제이다. 여기서는 방사형 기저 함수(RBF) 네트워크의 가중치를 시간에 따라 추정한다. 가중치와 출력 사이의 관계가 선형‑가우시안이므로, 칼만 필터를 이용해 가중치를 마진화한다. 실험 결과, RBPF는 표준 PF 대비 평균 제곱 오차(MSE)를 40% 이상 감소시키고, 급격히 변하는 입력에 대해서도 빠른 적응성을 보였다. 두 번째는 로봇의 실시간 위치 추정 및 지도 작성(SLAM) 문제이다. 로봇의 위치는 연속적이며, 지도상의 랜드마크 존재 여부는 이산적이다. 따라서 연속 변수는 칼만 필터, 이산 변수는 HMM 필터로 각각 마진화한다. 실험 결과, RBPF는 위치 추정 오차를 30% 이상 줄였으며, 지도 재구성 정확도 역시 크게 향상되었다. 특히, 입자 수를 1/3 수준으로 감소시켜도 기존 PF와 동등하거나 더 나은 성능을 유지했다. 논문은 라오‑블랙웰리제이션이 적용 가능한 다른 최적 필터(예: 파티클 스무딩, EM 기반 파라미터 추정)와 잠재적 응용 분야(음성 인식, 금융 시계열 분석, 생물학적 네트워크 모델링 등)를 제시한다. 또한, 마진화 가능한 변수의 선택이 모델 구조와 사전 가정에 크게 의존하므로, 자동화된 구조 학습과 결합한 연구가 필요함을 강조한다. 결론적으로, 라오‑블랙웰리제이션을 활용한 파티클 필터는 복잡한 DBN에서 샘플링 효율성을 극대화하고, 정확한 추론을 가능하게 하는 강력한 도구임을 입증한다.