복잡한 모델을 위한 적응형 근사 베이지안 계산

본 논문은 Approximate Bayesian Computation(ABC)의 효율성을 향상시키기 위한 새로운 알고리즘, Adaptive Population Monte Carlo ABC(APMC)를 제안한다. ABC는 모델의 가능도(likelihood)를 직접 계산하기 어려운 경우, 모델을 반복 시뮬레이션하고 시뮬레이션 결과와 관측 데이터 사이의 거리(ρ)를 기준으로 파라미터를 선택하는 방법이다. 전통적인 ABC는 전체 파라미터 공간을 무작위로 탐색하기 때문에 시뮬레이션 비용이 급증한다. 이를 완화하기 위해 순차적 ABC 기법들이 제안되었으며, 대표적으로 Population Monte Carlo( PMC ), Replenishment Sequential Monte Carlo( RSMC ), 그리고 Adaptive SMC( SMC )이 있다. 이들 방법은 허용오차 ε를 단계적으로 감소시켜 고가능도 영역에 샘플링을 집중한다. 그러나 기존 방법들은 다음과 같은 한계가 있다. (1) ε 스케줄을 사전에 지정해야 하며, 잘못된 스케줄은 효율을 크게 떨어뜨린다. (2) MCMC 커널을 사용하면서 입자 복제 현상이 발생, 이는 실제 독립 입자 수를 감소시켜 포스터리어 추정의 품질을 저하시킨다. (3) 추가적인 파라미터(예: M, R, α 등)를 튜닝해야 하며, 튜닝 과정 자체가 비용을 증가시킨다. APMC는 이러한 문제점을 동시에 해결한다. 알고리즘 흐름은 다음과 같다. 초기 단계에서 N개의 입자를 사전분포(π)에서 추출하고, 각 입자에 대한 시뮬레이션 결과와 거리 ρ를 계산한다. 이후 단계 t에서는 이전 단계에서 선택된 N_α = α·N개의 입자를 보존하고, 나머지 N−N_α개의 새로운 입자를 기존 입자들의 가중 평균 분산을 이용한 가우시안 커널(N(θ*,σ²_{t−1}))로 생성한다. 여기서 θ*는 이전 단계 입자 중 가중치에 비례해 샘플링된다. 새 입자에 대해 동일하게 거리 ρ를 계산하고, 전체 N개의 입자에 대해 가중치를 재계산한다. 가중치 공식은 w_i^{(t)} = π(θ_i^{(t)})·