일반화 브래들리 터키 모델을 위한 효율적인 베이지안 추론

초록

본 논문은 브래들리‑터키 계열 모델의 최대우도 추정에 사용되던 MM 알고리즘을 EM 프레임워크로 재해석하고, 이를 기반으로 간단한 Gibbs 샘플러를 제안한다. 실험을 통해 제안된 베이지안 방법이 기존 MCMC 대비 빠르고 안정적임을 입증한다.

상세 분석

브래들리‑터키 모델은 쌍대 비교 데이터를 확률적으로 기술하는 대표적인 방법으로, 각 항목에 실수형 능력치(파라미터)를 부여하고 두 항목이 맞붙을 때의 승률을 파라미터 비율로 정의한다. 기존 연구에서는 이 모델을 확장해 동점, 다중 비교, 그룹 비교, 무작위 그래프 등 다양한 상황을 다루었으며, 파라미터 추정에는 주로 MM(소소화‑극대화) 알고리즘이 활용되었다. MM 알고리즘은 목적함수의 하한을 구성해 반복적으로 파라미터를 업데이트함으로써 수렴을 보장하지만, 베이지안 관점에서는 사후분포 샘플링이 필요하다. 전통적으로는 Metropolis‑Hastings 기반의 MCMC가 사용됐지만, 제안된 방법은 MM을 EM의 특수 경우로 보는 새로운 시각을 제공한다. 구체적으로, 각 관측 쌍에 대해 잠재 변수(예: 승자와 패자를 연결하는 가상의 ‘경쟁 횟수’)를 도입하면, 완전 데이터 로그우도는 선형 형태가 되어 E‑step에서 기대값을 계산하고 M‑step에서 파라미터를 닫힌 형태로 업데이트할 수 있다. 이 EM 구조는 Gibbs 샘플링으로도 전이 가능하다. 즉, 잠재 변수를 조건부로 샘플링하고, 파라미터를 그에 대한 사후분포(감마 혹은 정규‑감마 혼합)에서 직접 그리면 된다. 이러한 Gibbs 샘플러는 제안된 잠재 변수 설계 덕분에 제안된 사후분포가 표준 형태를 유지하므로 복잡한 메트로폴리스 단계가 필요 없으며, 샘플링 효율이 크게 향상된다. 또한, 확장 모델(동점, 다중 비교, 그룹 비교)마다 동일한 잠재 변수 프레임워크를 적용할 수 있어, 알고리즘의 일반화 가능성이 높다. 실험에서는 체스 경기 데이터, 동물 행동 관찰, 다중 클래스 분류 등 다양한 도메인에서 기존 M‑H 기반 베이지안 방법과 비교했을 때, 수렴 속도와 ESS(effective sample size) 면에서 현저히 우수함을 확인하였다. 특히, 대규모 데이터셋에서 MM‑EM 기반 Gibbs는 메모리 사용량과 연산 복잡도가 선형에 가깝게 증가해 실용성을 크게 높인다.