다중모드 분포 탐색을 위한 중첩 샘플링과 갈릴레이안 몬테카를로

** 이 논문은 베이즈 통계에서 두 가지 핵심 난제—다중모드·곡선형 퇴화가 있는 사후분포의 파라미터 추정과, 모델 간 비교를 위한 베이즈 증거 \(Z\) 의 계산—를 동시에 해결하고자 한다. 기존의 MCMC 기반 방법은 사후분포 샘플링에는 적합하지만, 증거 계산에는 매우 비효율적이며, 복잡한 퇴화면에서는 체인 수렴이 어려워진다. 반면, 중첩 샘플링(Nested Sampling)은 증거를 1차원 적분으로 변환해 효율적으로 계산하면서, 진행 과정에서 생성되는 ‘활성(live)’ 점들을 이용해 사후분포 샘플도 제공한다. 그러나 중첩 샘플링의 핵심 단계인 \(L>L_i\) 제약 하에서 새로운 점을 균등하게 뽑는 것이 고차원·다중모드 상황에서 큰 도전이다. 이에 대한 해결책으로 저자들은 갈릴레이안 몬테카를로(Galilean Monte Carlo, GMC) 알고리즘을 도입한다. GMC는 물리학의 갈릴레이 운동을 모방해, 현재 활성 점에 임의 속도를 부여하고, 우도 경계에 닿으면 법선 방향으로 반사시켜 이동한다. 이 과정은 경계의 정확한 위치를 알 필요 없이, 우도 \(L\) 가 감소하는 방향을 자동으로 회피한다는 장점이 있다. 반사 연산은 단순히 내적과 벡터 연산으로 구현 가능하므로 계산 비용이 낮다. 또한, 반사 후에도 \(L>L_i\) 조건을 만족하면 즉시 수용하므로, 샘플이 제한 영역 전체에 고르게 퍼지는 것이 보장된다. 논문은 먼저 중첩 샘플링의 이론적 배경을 정리한다. 사전 부피 \(X\) 를 정의하고, \(Z=\int_0^1 L(X)dX\) 로 변환한 뒤, 매 반복마다 가장 낮은 우도 \(L_i\) 를 가진 점을 제거하고, \(t_i\) (가장 큰 \(N\) 개의 균등 난수 중 최대값)의 확률분포 \(Pr(t)=N t^{N-1}\) 를 이용해 부피 감소 \(X_i=t_i X_{i-1}\) 를 추정한다. 평균 \(E