Core Concepts
근사 베이지안 계산(ABC)에서 과거 시도와 실패로부터 학습하여 고효율의 제안 분포를 순차적으로 구축하는 트리 기반 밴딧 알고리즘을 제안한다.
Abstract
이 논문은 시뮬레이션 기반 모델에서 근사 베이지안 계산(ABC)의 효율성을 높이는 방법을 제안한다. ABC는 관측 데이터와 시뮬레이션 데이터 간의 거리가 일정 수준 이내일 때만 모수 값을 받아들이는 방식으로 진행된다. 하지만 이 과정에서 대부분의 시뮬레이션 데이터가 거부되어 계산 비용이 매우 높아지는 문제가 있다.
이 논문에서는 과거 시도와 실패로부터 학습하여 고효율의 제안 분포를 순차적으로 구축하는 트리 기반 밴딧 알고리즘을 제안한다. 알고리즘의 내부 루프에서는 현재 파티션에 대한 최적의 제안 분포를 밴딧 기법으로 학습한다. 외부 루프에서는 과거 ABC 수락 결과를 바탕으로 파라미터 공간을 적응적으로 분할한다. 이를 통해 높은 사후 확률 영역에 집중하여 ABC 수락률을 크게 향상시킬 수 있다.
제안된 알고리즘은 두 가지 주요 추론 목적을 달성한다. 첫째, ABC 사후 분포에 대한 빠른 근사를 제공하며, 둘째, 최대 사후 추정을 위한 확률적 최적화 방법을 제공한다. 이 알고리즘은 이론적으로 근사 최적의 후회율을 보장하며, 실험적으로도 기존 방법에 비해 훨씬 적은 시뮬레이션 비용으로 정확한 ABC 근사를 달성할 수 있음을 보여준다.
Stats
ABC 수락률은 파라미터 공간의 영역에 따라 크게 달라진다.
제안된 알고리즘은 과거 ABC 수락 결과를 바탕으로 파라미터 공간을 적응적으로 분할하여 높은 사후 확률 영역에 집중할 수 있다.
이를 통해 기존 방법에 비해 훨씬 적은 시뮬레이션 비용으로 정확한 ABC 근사를 달성할 수 있다.
Quotes
"근사 베이지안 계산(ABC)은 관측 데이터와 시뮬레이션 데이터 간의 거리가 일정 수준 이내일 때만 모수 값을 받아들이는 방식으로 진행되므로, 대부분의 시뮬레이션 데이터가 거부되어 계산 비용이 매우 높아지는 문제가 있다."
"제안된 알고리즘은 과거 ABC 수락 결과를 바탕으로 파라미터 공간을 적응적으로 분할하여 높은 사후 확률 영역에 집중함으로써 기존 방법에 비해 훨씬 적은 시뮬레이션 비용으로 정확한 ABC 근사를 달성할 수 있다."