좌표 재스케일링을 통한 이산 마코프 랜덤 필드 베이지안 추론

초록

이 논문은 이산 마코프 랜덤 필드(MRF)의 베이지안 추론에서 발생하는 이중 비정규화 상수 문제를 해결하기 위해, 의사가능도(pseudo‑likelihood) 기반 사후분포를 목표 사후분포에 맞게 선형 변환하는 ‘좌표 재스케일링(CoRe)’ 샘플링 기법을 제안한다. 기존의 Double Metropolis‑Hastings(DMH)와 비교했을 때 계산량은 크게 줄이면서도 사후 불확실성 추정이 크게 개선됨을 시뮬레이션을 통해 입증한다.

상세 분석

본 연구는 이산 MRF, 특히 순서형 변수로 구성된 OMRF(Ordinal MRF)의 베이지안 추론에서 가장 큰 장애물인 정규화 상수 Z(η)의 계산 불가능성을 두 가지 전통적 접근법—DMH와 의사가능도(pseudo‑likelihood) 기반 방법—을 통해 살펴본다. DMH는 정확한 교환 샘플링을 근사하기 위해 내부 MCMC 루프를 삽입하지만, 이중 루프 구조로 인해 실행 시간이 급격히 증가한다(예: Figure 1에서 9분 소요). 반면 의사가능도는 각 변수의 조건부 분포만 곱함으로써 Z를 완전히 회피하지만, 사후분포의 분산을 체계적으로 과소평가한다는 단점이 있다(그림 1에서 파란색과 주황색 곡선 차이).

논문은 이러한 딜레마를 해소하기 위해 ‘좌표 재스케일링(Coordinate‑Rescaling, CoRe)’이라는 새로운 MCMC 프레임워크를 도입한다. 핵심 아이디어는 의사가능도 기반 사후분포 η‑공간을 선형 변환 β = A(η − η★) + η★ 로 매핑하여, 변환 후의 분포가 목표 사후분포와 동일한 평균·공분산 구조를 갖도록 하는 것이다. 여기서 η★는 MAP 또는 MPLE와 같은 점 추정값이며, A는 목표 사후분포의 공분산을 근사하는 재스케일링 행렬이다. 변환은 샘플링 단계에서 직접 적용되므로, 사후분포를 사후 보정(post‑hoc)하는 기존 방법과 달리 매 반복마다 새로운 η를 계산할 필요가 없으며, Jacobian은 상수(det A⁻¹)라서 메트로폴리스‑헤스팅스 수식에 간단히 포함된다.

알고리즘 1은 CoRe 샘플링 절차를 명확히 제시한다. 제안된 방법은 (1) β‑공간에서 제안 분포 q(·|β)를 샘플링하고, (2) 역변환을 통해 η′를 얻은 뒤, (3) 의사가능도 ˜f(X; η′)와 사전 π(η′)를 이용해 메트로폴리스 수용 확률을 계산한다. 이때 Z(η)와 같은 비정규화 상수는 완전히 사라진다.

이론적 측면에서는 변환 행렬 A가 목표 사후분포의 공분산을 정확히 반영한다면, β‑공간에서의 탐색 효율이 크게 향상되고, 특히 고차원에서의 ‘뾰족한’ 사후분포를 평탄하게 만들어 체인 혼합성을 높인다. 실험에서는 (i) 기존 DMH, (ii) 순수 의사가능도, (iii) 사후 보정(Bouranis et al., 2017) 및 (iv) 경험적 가능도(empirical likelihood) 기반 샘플러와 비교했으며, CoRe는 평균 추정 정확도는 동일하면서도 사후 분산을 거의 정확히 복원하고, 실행 시간은 28초 수준으로 크게 단축되었다.

한계점으로는 A 행렬을 사전 추정해야 하는데, 이는 MPLE 기반으로 근사했으며 복잡한 상호작용 구조에서는 근사 오차가 누적될 가능성이 있다. 또한 현재 구현은 순서형 MRF에 초점을 맞추었으며, 다중 범주가 비순서형인 경우 추가적인 변환 설계가 필요할 수 있다. 향후 연구에서는 자동화된 A 추정(예: 적응형 스케일링)과 고차원 그래프 구조에 대한 이론적 수렴 보장을 탐구할 여지가 있다.