계층 베이지안 모델을 위한 일반화 직접 샘플링

본 논문은 계층 베이지안 모델에서 MCMC 없이 사후분포 샘플을 얻는 새로운 방법인 Generalized Direct Sampling(GDS)을 제안한다. 기존의 Direct Sampling(DS) 알고리즘은 데이터 우도만을 이용하고 베르스트인 다항식 근사를 필요로 했으며, 파라미터 수가 10을 넘는 경우 실용성이 떨어졌다. GDS는 이러한 한계를 극복하기 위해 전체 사후밀도(우도·사전)의 형태를 반영하고, 베르스트인 다항식 대신 제안분포 g(θ)를 직접 설계한다. 핵심 아이디어는 사후모드 θ*와 그 주변 헤시안을 이용해 다변량 정규분포 g를 만든 뒤, Φ(θ|y)=D(θ,y)·c₂/(c₁·g(θ)) 가 0~1 사이에 머무르도록 스케일 상수 s를 조정하는 것이다. 이후 보조 변수 u∼Uniform(0,Φ) 를 도입하고, 변환 v=−log u 로 바꾸어 경험적 CDF q_M(v) 를 기반으로 다중항 가중치 w_i 를 계산한다. 이 과정은 M개의 제안샘플을 한 번만 생성하면 되며, 이후 v를 샘플링하고 g‑샘플을 반복 추출해 T(Φ)1이 있으면 g를 재설계한다. (4) v_i=−log Φ_i 를 정렬하고 경험적 CDF q_M(v) 를 만든다. (5) w_i 를 구해 다중항 분포에서 v_i 를 선택하고, 트렁케이티드 지수분포로 v를 생성한다. (6) 각 v에 대해 g‑샘플을 반복 추출해 T(Φ)1이 발생해 알고리즘이 실패한다는 점을 언급한다. 결론적으로, GDS는 고차원·비정규 계층 베이지안 모델에 대해 독립적이고 병렬 가능한 샘플링을 제공하며, 사후모드와 헤시안만으로도 충분히 구현 가능하다는 장점을 가진다. 향후 연구에서는 자동화된 g 선택, 다중모드 혼합 제안, 그리고 GPU 기반 병렬화 등을 통해 더욱 확장성을 높일 수 있을 것으로 기대된다.