가능도 가중 정규화 흐름을 이용한 다중모드 사후분포의 효율적 암시적 추정

초록

본 논문은 사전 샘플이 없는 상황에서 가능도 가중 중요표본을 활용해 정규화 흐름(NF)을 학습함으로써 고차원 역문제의 다중모드 사후분포를 암시적으로 추정하는 방법을 제안한다. 기본 분포의 위상(연결성)이 목표 사후분포의 구조에 미치는 영향을 분석하고, 목표 모드 수와 일치하는 가우시안 혼합 기반을 초기화함으로써 “연결 다리” 현상을 크게 감소시킨다. 2D·3D 벤치마크 실험에서 KL 발산 및 평균 Wasserstein‑1 거리로 성능을 평가하였다.

상세 분석

이 연구는 시뮬레이션 기반 추론(SBI)에서 흔히 마주치는 “사후 샘플이 없다”는 제약을 정규화 흐름(NF)과 가능도 가중 학습으로 극복한다는 점에서 혁신적이다. 기존 NF 학습은 목표 분포에서 직접 샘플을 뽑아 최대우도 추정(MLE) 혹은 변분 추정에 의존했지만, 저자는 사전 분포에서 샘플을 추출하고 각 샘플에 데이터 가능도 L(θ) = p(D|θ)를 가중치로 부여한다. 이 가중치가 바로 중요표본(weighted importance sampling) 역할을 하여, 기대값 E_{π(θ)}