불확실성 인식 대리 모델 기반 베이지안 추론

초록

본 논문은 계산 비용이 큰 시뮬레이션 모델에 대해, 대리 모델의 불확실성을 정량화하고 이를 암묵적 베이지안 추론(ABI) 파이프라인에 전파함으로써 빠르고 신뢰할 수 있는 사후분포 추정을 가능하게 하는 UA‑SABI 프레임워크를 제안한다. 실험을 통해 기존의 대리‑기반 ABI가 초과 신뢰성을 보이는 반면, 제안 방법은 정확도와 불확실성 보정을 동시에 제공한다는 것을 입증한다.

상세 분석

UA‑SABI는 기존 ABI와 대리 모델을 결합하면서 두 단계의 불확실성 전파를 핵심으로 한다. 첫 번째 단계에서는 제한된 고비용 시뮬레이션 데이터( N_T ≪ N_B )를 이용해 베이지안 방식으로 대리 모델 파라미터 c 와 오차 분포 파라미터 σ 의 사후 p(c,σ|D_T) 를 추정한다. 여기서 오차 ε 는 i.i.d. 가정 하에 p(ε|σ) 로 모델링되며, 필요에 따라 이기종 이분산 모델로 확장 가능하다. 두 번째 단계에서는 추정된 사후에서 샘플링된 (c_i,σ_i) 를 사용해 대리 모델 출력을 e_y 및 오차‑조정 출력 e_y^ε 을 생성하고, 이를 요약 네트워크 S_θ 에 입력한다. 이렇게 얻어진 s_i 는 인버전 네트워크 I_φ 에 전달되어 파라미터 ω_i 의 사후 근사 q_φ(ω|s_i) 를 학습한다. 손실 함수는 기존 ABI와 동일하게 −∑_i log q_φ(ω_i|S_θ(x_i,e_y_i^ε)) 이지만, 여기서 e_y_i^ε 은 대리 모델의 불확실성을 반영한다는 점이 차별점이다.

핵심 기술적 기여는 다음과 같다. ① 대리 모델 파라미터와 오차를 베이지안 방식으로 동시에 추정함으로써 epistemic 불확실성과 aleatoric 오차를 명시적으로 분리한다. ② 이러한 불확실성을 샘플링 단계에서 직접 전파해 ABI 학습 데이터에 반영함으로써, 대리 모델의 근사오차가 사후분포에 미치는 편향을 최소화한다. ③ MCMC 대신 ABI를 사용함으로써 샘플링 효율성을 크게 향상시키면서도, 대리 모델 불확실성을 고려해 과신(over‑confidence) 문제를 해결한다.

실험에서는 (1) 단순 2차원 토이 문제, (2) 지하수 흐름 모델, (3) 대기 오염 전산 모델 등 세 가지 사례를 제시한다. 토이 문제에서는 UA‑SABI가 실제 사후와 거의 일치하는 반면, 불확실성 무시 대리‑ABI는 사후가 크게 왜곡되는 것을 확인했다. 실제 사례에서도 UA‑SABI는 제한된 고비용 시뮬레이션(수백 회)만으로도 충분한 학습을 수행하고, 실시간 추론 시 오차 범위가 실제 모델과 일치함을 보였다. 특히, 추론 시간은 수밀리초 수준으로 MCMC 대비 3~4 orders of magnitude 가량 빠르다.

한계점으로는 대리 모델 사후 추정에 MCMC를 사용한다는 점에서 초기 비용이 존재한다는 점, 그리고 오차 모델이 i.i.d. 가정에 의존한다는 점이 있다. 향후 연구에서는 변분 추정이나 앙상블 대리 모델을 도입해 초기 비용을 감소시키고, 비정규·비동질 오차 모델을 통합하는 방향이 제시된다.