다차원 베이지안 모델을 위한 확산 중첩 샘플링과 전이 차원 MCMC

본 논문은 “전이 차원(trans‑dimensional) 베이지안 모델”이라 불리는, 데이터 𝔻 가 주어졌을 때 모델의 구성 요소 개수 N 과 각 구성 요소의 파라미터 {x_i} 를 동시에 추정해야 하는 문제를 다룬다. 이러한 문제는 유한 혼합 모델, 천문학적 소스 검출, 신호 분해 등 다양한 분야에서 나타난다. 전통적인 베이지안 접근법은 두 가지로 나뉜다. 첫 번째는 N 을 고정하고 각각에 대해 별도 중첩 샘플링(Nested Sampling)이나 다른 증거 계산 방법을 적용해 Z(N) 을 얻은 뒤, 베이즈 정리를 이용해 p(N|𝔻) 를 구하는 방식이다. 이 방법은 N 이 작고 가능한 값이 제한적일 때는 효과적이지만, N 이 크게 늘어나면 각 N 에 대해 별도 실행이 필요해 계산 비용이 급증한다. 두 번째는 전이 차원 MCMC(예: birth‑death, reversible‑jump)로 단일 체인을 돌려 N 과 {x_i} 를 동시에 탐색하는 방식이다. 그러나 사후 분포가 다중 모드, 강한 상관관계, 혹은 “슬랩‑스파이크” 형태의 위상 전이(phase transition)를 포함하면, 전통적인 메트로폴리스 기반 MCMC는 믹싱이 거의 불가능해진다. 특히 위상 전이 구간에서는 낮은 확률 밀도 영역을 통과해야 하는데, 이는 제안이 거의 거부되는 상황을 만든다. 이에 저자는 “확산 중첩 샘플링(Diffusive Nested Sampling, DNS)”을 전이 차원 MCMC와 결합한 새로운 프레임워크를 제안한다. DNS는 기존 중첩 샘플링이 “제한된 사전(prior) 분포” π(θ)·𝟙