비스무스 분포에 대한 메트로폴리스 알고리즘 스펙트럼 갭 분석

초록

본 논문은 로그밀도에 매끄러운 부분과 전역 Lipschitz 비스무스 부분을 갖는 넓은 클래스의 목표분포에 대해, 랜덤워크 메트로폴리스(RWM)와 메트로폴리스‑조정 라그랑주(MALA) 알고리즘의 스펙트럼 갭 하한을 명시적으로 도출한다. 이때 이소페리메트리 기반 접근법과 최근 Goyal et al. (2025)의 결과를 결합해 Poincaré 또는 log‑Sobolev 부등식을 만족하는 분포까지 일반화한다. 또한 MALA의 수용률에 대한 균일 하한을 제시하고, 수치 실험으로 이론을 검증한다.

상세 분석

이 연구는 기존 메트로폴리스 수렴 분석이 매끄러운(특히 강하게 로그-볼록) 목표분포에 국한됐던 한계를 극복한다. 저자들은 로그밀도 π(x)를 f(x)+g(x) 형태로 분해하는 가정을 도입한다. 여기서 f는 M‑Lipschitz 연속 미분가능함을, g는 전역 L‑Lipschitz이지만 비스무스일 수 있음을 전제한다. 이러한 구조는 베이지안 라쏘, 스파이크‑앤‑슬래브, ReLU 기반 신경망 등 실무에서 흔히 나타나는 비스무스 정규화와 일치한다.

핵심 기술은 두 단계로 이루어진다. 첫째, Vempala(2005)와 Andrieu et al.(2024)의 “close‑coupling” 조건을 비스무스 상황에서도 만족하도록 증명한다. 구체적으로, 제안 단계가 작은 반경 δ 내에서 변할 때 총변동 거리(TV)가 1‑ε 이하가 되도록 step‑size h를 제한한다. 이는 비스무스 부분 g가 전역 Lipschitz이므로 서브그라디언트 선택(v(x)=∇f(x)+v_s(x), v_s∈∂g(x))을 통해 MALA의 제안 분포를 정의함으로써 가능해진다.

둘째, 이소페리메트리 접근법을 활용한다. 세 집합 이소페리메트리 부등식 π(S₃)≥Υ(d(S₁,S₂))·F(min{π(S₁),π(S₂)})를 만족하는 함수 F와 Υ를 구성한다. 강한 로그‑볼록성에서는 Andrieu et al.(2024)의 F(t)=t·√{2m·log(1/t)} 형태가, Poincaré·log‑Sobolev 경우에는 Goyal et al.(2025)의 일반화된 Υ가 적용된다. 이 부등식과 close‑coupling 조건을 결합해 Proposition 3.2의 일반적 하한식 Gap(P)≥(ε²/8)·sup_{θ∈