불확정 요소가 있는 신호 분해에서 사후분포 요약 방법

본 논문은 구성 요소 수가 미지인 신호 분해 문제에서 발생하는 가변 차원 사후분포를 효과적으로 요약하는 방법을 제안한다. 전통적인 베이지안 접근에서는 RJ‑MCMC와 같은 전이형 마코프 체인 몬테카를로 기법을 이용해 모델 인덱스 k와 각 구성 요소의 파라미터 θₖ를 동시에 샘플링한다. 그러나 이러한 샘플은 서로 다른 차원의 서브스페이스에 걸쳐 존재하므로, 직접적인 요약(예: 평균, 신뢰구간)이나 시각화가 어려운 것이 현실이다. 특히 라벨 스위칭 현상으로 인해 동일한 물리적 성분이 여러 모델에서 서로 다른 라벨로 나타나, 구성 요소별 통계량을 추출하기가 힘들다. 이를 해결하기 위해 저자들은 두 단계의 혁신을 도입한다. 첫 번째는 “가변 차원 파라메트릭 모델” q₍η₎를 정의하는 것이다. 이 모델은 L개의 잠재 가우시안 컴포넌트와 각각의 존재 여부를 나타내는 베르누이 변수 ξₗ(πₗ)로 구성된다. ξₗ가 1이면 해당 가우시안이 샘플에 포함되고, 전체 차원 k는 ξₗ들의 합으로 결정된다. 따라서 q₍η₎는 원래 사후분포와 동일한 가변 차원 구조를 갖지만, 각 컴포넌트가 독립적인 파라미터(평균 µₗ, 공분산 Σₗ, 존재 확률 πₗ)를 갖는 간단한 형태로 표현된다. 두 번째는 이 파라메트릭 모델을 실제 RJ‑MCMC 샘플에 맞추기 위한 추정 알고리즘이다. 목표 함수는 KL 발산 D_KL(f‖q₍η₎)이며, 샘플 기반 근사 ˆJ(η)=−(1/M)∑log q₍η₎(xᵢ) 로 변환된다. EM 프레임워크를 적용하려 하면 E‑step에서 가능한 할당(z) 조합이 k!에 비례해 급증해 계산이 불가능하므로, 논문은 Stochastic EM(SEM)을 채택한다. 구체적으로, 현재 파라미터 추정값 η^(r‑1) 를 이용해 각 샘플 xᵢ에 대한 할당 벡터 zᵢ를 Metropolis‑Hastings 방식으로 샘플링하고(S‑step), 이를 이용해 “가짜 완전 데이터”의 로그우도에 대해 η를 최대화하는 M‑step을 수행한다. 알고리즘의 실용성을 높이기 위해 두 가지 보강책을 도입한다. 첫째, 고차원 k에서 발생하는 “확산된” 샘플을 이상치로 간주하고, M‑step에서 평균·분산을 중앙값·사분위수 기반 로버스트 추정량으로 교체한다. 둘째, 파라메트릭 모델이 설명하지 못하는 잔여 부분을 균일 강도의 포아송 프로세스(점 과정)로 모델링한다. 이는 L이 실제 관측된 최대 k보다 작아도 전체 사후분포를 충분히 근사하도록 돕는다. 실험은 백색 가우시안 잡음 속에 세 개의 사인파가 포함된 신호(N=64, SNR≈7 dB)를 대상으로 한다. RJ‑MCMC 샘플을 통해 얻은 k와 정렬된 주파수 ωₖ의 사후분포는 그림 1에 제시되며, k=2,3,4 모델이 주요 확률을 차지한다. 기존 베이지안 모델 선택(BMS)은 가장 확률이 높은 k=2 모델만을 선택해 중간 주파수 성분을 놓치지만, 제안 방법은 L=3 가우시안 컴포넌트를 설정하고 50번의 SEM 반복을 수행해 각 컴포넌트의 평균(추정된 ω)과 존재 확률 π를 도출한다. 결과는 표 1과 그림 3에 요약되며, 평균값은 실제 주파수와 근접하고, 존재 확률은 첫 번째와 세 번째 성분에 대해 ≈0.97, 중간 성분에 대해 ≈0.02로 추정돼 불확실성을 정량화한다. 또한, 파라미터 수렴 그래프는 10번째 반복 이후 거의 안정됨을 보여 알고리즘의 수렴성을 확인한다. 본 논문은 전이형 베이지안 모델링에서 “모델 선택 vs. 모델 평균”의 딜레마를 넘어, 모든 가능한 차원의 정보를 통합해 구성 요소별 존재 확률과 파라미터를 동시에 제공하는 새로운 요약 프레임워크를 제시한다. 제안된 가변 차원 가우시안 혼합 모델과 SEM 기반 추정은 라벨 스위칭 문제를 자연스럽게 해결하고, 이상치에 강인한 추정으로 실제 응용에서 신뢰할 수 있는 결과를 제공한다. 향후 연구에서는 다변량 파라미터(예: 진폭, 위상)와 더 복잡한 점 과정 모델을 포함한 확장과, 실시간 적용을 위한 효율적인 구현 방안이 제시될 수 있다.