그리드 없이 효율적인 로그가우시안 콕스 프로세스 추론

초록

본 논문은 연속적으로 정의된 가우시안 랜덤 필드를 활용해 로그가우시안 콕스(LGCP) 과정의 우도(likelihood)를 직접 근사하는 새로운 방법을 제시한다. 매끄러운 필드 가정 하에 근사 오차를 임의의 차수까지 감소시킬 수 있음을 보이며, 기존 격자 기반 카운팅 근사는 1차 수렴에 머무른다. 제안 기법은 SPDE 기반 GMRF와 INLA를 결합해 계산 효율성을 크게 향상시키고, 가변 샘플링 노력과 전 세계 해양 데이터와 같은 복잡한 사례에도 적용 가능함을 실증한다.

상세 분석

이 연구는 로그가우시안 콕스 프로세스(LGCP)의 핵심 난제인 우도 적분을, 연속적인 유한 차원 가우시안 랜덤 필드 Z(s)=∑_{i=1}^n z_i φ_i(s) 형태로 재구성함으로써 해결한다. 여기서 φ_i(s)는 삼각형 메쉬 위에서 정의된 컴팩트하게 지원되는 선형 기저함수이며, z는 다변량 정규벡터이다. 이러한 표현은 Karhunen–Loève 전개와 유사하지만, SPDE(Lindgren et al., 2011) 접근을 통해 GMRF 구조를 유지하면서도 메쉬 해상도를 자유롭게 조절할 수 있다.

우도 근사는 deterministic quadrature ∫Ω f(s)ds≈∑{k=1}^p α_k f(s̃_k) 를 이용해 로그우도
log π(y|z)=|Ω|−∫Ω exp{Z(s)}ds+∑{i=1}^N Z(s_i)
를
C−αᵀ exp(A₁z)+1ᵀ A₂z
형태로 변환한다. 여기서 A₁_{kj}=φ_j(s̃_k), A₂_{ij}=φ_j(s_i)이며, α는 quadrature 가중치이다. 이 식은 포아송 형태를 띠어 INLA에서 직접 처리할 수 있다.

수학적 수렴 분석에서는 두 가지 근사 오류원을 구분한다. 첫째는 기저함수 전개 자체의 근사오차이며, 이는 필드의 매끄러움(스무스니스)과 메쉬 크기 h 에 따라 O(h^m) (여기서 m 은 필드의 Sobolev 차수)로 수렴한다. 둘째는 적분 quadrature의 오류인데, 고차 정확도 quadrature를 선택하면 이 역시 필드 매끄러움에 의해 제한되는 차수까지 수렴한다. 반면, 전통적인 격자 기반 카운팅 방법은 셀 내 평균값을 사용함으로써 O(p^{-1}) (첫 차수) 수렴에 머무른다. 따라서 제안 방법은 “오프그리드” 접근을 통해 이론적으로 무한히 높은 차수의 수렴을 달성할 수 있다.

계산 복잡도 측면에서, GMRF의 희소 구조를 유지하면서 메쉬 해상도를 지역적으로 조정할 수 있기 때문에, 관측되지 않은 영역에서는 저해상도 메쉬를, 데이터가 밀집된 영역에서는 고해상도 메쉬를 사용해 전체 연산량을 크게 절감한다. 이는 기존의 정규 격자 방식이 겪는 “전체 격자 세분화 필요” 문제를 근본적으로 해결한다.

논문은 또한 가변 샘플링 노력(sampling effort) 모델을 도입해, 관측 강도가 공간적으로 변하는 경우에도 동일한 프레임워크 내에서 처리한다. Chakraborty et al. (2011)의 방법을 확장해, 관측 강도 w(s) 를 로그우도에 가중치 형태로 삽입하고, 동일한 quadrature‑Poisson 변환을 적용한다.

마지막으로, 전 세계 해양 데이터를 대상으로 한 사례에서는 구면 메쉬를 사용해 복잡한 경계와 대규모 영역을 효율적으로 모델링한다. SPDE‑GMRF는 구면 위에서도 자연스럽게 정의될 수 있어, 해양 생물 분포와 같은 실제 문제에 바로 적용 가능함을 보여준다.

전반적으로 이 논문은 (1) 연속적인 기저함수 전개와 SPDE 기반 GMRF를 결합한 새로운 LGCP 우도 근사법, (2) 고차 수렴 이론을 제공한 점, (3) INLA와의 원활한 통합을 통해 실용적인 계산 효율성을 달성한 점에서 의미가 크다.