정확한 베이지안 추론을 위한 확장 상태공간 알고리즘: MESA와 nMESA

초록

본 논문은 관측 노이즈가 거의 없는 정확 관측 상황에서, 무한 상태공간을 갖는 연속시간 마코프 점프 프로세스(MJP)의 반응 속도 파라미터에 대한 베이지안 추론을 가능하게 하는 두 가지 새로운 MCMC 기반 알고리즘, MESA와 nMESA를 제안한다. 기존 입자 MCMC가 효율을 급격히 잃는 문제를 해결하기 위해, 유한 차원의 제한된 레이트 매트릭스의 지수화를 이용해 정확한 사후분포를 샘플링한다. 실험 결과는 기존 방법 대비 3배에서 수십 배 이상의 효율 향상을 보여준다.

상세 분석

이 논문은 무한히 큰 상태공간을 갖는 연속시간 마코프 점프 프로세스(MJP)를 다루는 베이지안 추론 문제에 대해 근본적인 접근법을 제시한다. 전통적으로는 파티클 마코프 체인 몬테카를로(particle MCMC)가 가장 널리 쓰였지만, 관측 오차가 작아질수록 파티클 필터가 거의 모든 경로에 대해 가중치를 0에 가깝게 만들면서 효율이 급격히 저하된다. 특히 관측이 정확히 이루어지는 “exact observation” 상황은 파티클 기반 방법이 거의 사용할 수 없을 정도로 어려운 경우이다.

저자들은 이러한 한계를 극복하기 위해 두 단계의 핵심 아이디어를 도입한다. 첫 번째는 “중첩된 유한 영역(nested regions)”을 정의하여, 무한 상태공간을 점진적으로 확장되는 유한 부분집합 (R_1 \subset R_2 \subset \dots) 으로 분할한다는 점이다. 각 영역 (R_r) 에는 모든 내부 전이와 외부로 나가는 전이를 하나의 “코핀 상태(coffin state)” (C) 로 집계한 유한 차원의 레이트 매트릭스 (Q_r) 를 구성한다. 이렇게 하면, 실제 MJP가 특정 관측 구간 동안 어느 최소 영역에 머무르는지를 나타내는 확장 변수 (\tilde r) 를 추가함으로써, 전체 사후분포를 유한 차원의 행렬 지수 (\exp(Q_r t)) 로 정확히 계산할 수 있다.

두 번째 아이디어는 기존의 무작위 절단(random truncation) 기반 의사-마진얼(pseudo‑marginal) 방법인 Georgoulas et al. (2017) 의 한계를 보완한다는 점이다. GHS17 알고리즘은 절단 레벨 (r) 를 사전 확률 (p(r)) 로 샘플링하고, 차분 형태 (