강인한 부분적 살아있는 입자 메트로폴리스 헤스팅스: 프랭켄필터

초록

숨은 마코프 모델에서 관측에 대한 조건부 가능도가 0이 되는 경우, 전통적인 입자 필터는 모든 입자를 소멸시켜 추정이 불가능해진다. 저자들은 성공 횟수를 목표로 하면서 시뮬레이션 횟수에 상한·하한을 두는 ‘프랭켄필터’를 제안한다. 이 필터는 무편향 likelihood 추정량을 제공하며, pseudo‑marginal Metropolis‑Hastings(PMMH)와 결합했을 때 이상치와 초기 파라미터 오탐에 대해 기존 필터보다 2‑3배 효율적이다.

상세 분석

본 논문은 조건부 가능도가 0이 될 수 있는 숨은 마코프 모델(HMM)에서 발생하는 ‘입자 소멸(dead particle)’ 문제를 근본적으로 해결하고자 한다. 기존의 ‘alive particle filter’는 성공 횟수 s 를 목표로 무한히 많은 시뮬레이션을 허용하지만, 성공 확률이 극히 낮은 구간에서는 시뮬레이션 비용이 폭발적으로 증가한다. 이를 보완하기 위해 저자들은 두 개의 경계 m⁻, m⁺(최소·최대 시뮬레이션 수)를 도입하고, 성공량을 이진 지표가 아닌 일반적인 비음수 가중치 w 로 확장한다. 핵심 아이디어는 ‘성공량’ s 를 누적하면서 m⁻ 이상, m⁺ 이하의 시뮬레이션 안에서 멈추는 규칙을 정의하고, 멈춤 시점에 따라 서로 다른 무편향 추정량을 선택한다는 점이다.

알고리즘 2와 3은 완전·정확 관측 상황을 가정하고, 성공을 1(정확 일치) 혹은 0(불일치)으로 정의한다. 여기서 s≥2 로 설정하면 초기 시뮬레이션에서 0/0 형태의 정의되지 않은 추정값을 방지한다. 알고리즘 3에서는 중요도 제안(q)과 가중치 w = f(y|x)·p(x)/q(x)를 이용해 일반적인 연속 가능도에도 적용 가능하도록 확장한다. 이때 성공량 s_j 를 w_j 혹은 f(y|x_j)와 같은 함수로 정의할 수 있어, 성공량 자체가 확률적 가중치가 된다.

무편향성을 증명하기 위해 저자들은 교환가능성(exchangeability)와 토워 법칙을 활용한다. 시뮬레이션이 m⁻ 이하에서 멈추면 모든 w_j 가 동일한 분포에서 추출된 것이므로 평균이 그대로 유지된다. 반대로 m⁺에 도달하거나 성공량이 충분히 누적된 경우에도, 추가된 샘플이 제공하는 정보는 ‘성공량이 부족했다’는 조건 외에는 기존 샘플과 교환가능하므로 기대값이 변하지 않는다. 따라서 최종 추정량 b̂_P는 언제나 E