고차원 순차 몬테카를로 샘플러의 오류 한계와 정규화 상수 추정

1. 서론 고차원 확률분포는 현대 통계·물리·공학 분야에서 빈번히 등장한다. 이러한 분포에 대한 기대값을 계산하기 위해서는 일반적으로 몬테카를로 방법이 사용되지만, 차원이 커짐에 따라 표본 효율이 급격히 저하되는 ‘차원의 저주’가 발생한다. 순차 몬테카를로(SMC) 샘플러는 일련의 인공 밀도 Π_n을 정의하고, 마코프 전이와 중요 가중치를 결합해 목표밀도 Π에 접근한다. 기존 연구(Beskos et al., 2011)는 N을 고정한 채 d가 커져도 ESS와 고정 차원 마진의 오차가 안정된다는 것을 보였으며, 계산 복잡도는 O(N d²) 로 다항식 수준임을 입증했다. 2. 문제 정의 및 알고리즘 목표밀도 Π는 d‑차원 공간 E^d (E⊂ℝ) 위에서 i.i.d. 형태 Π(x)=∏_{j=1}^d π(x_j) 로 가정한다. φ_n을 0≤φ_0<1에서 1까지 선형적으로 증가시키는 annealing 스케줄을 도입하고, 인공 밀도 Π_n(x)∝∏_{j=1}^d exp{φ_n g(x_j)} 로 정의한다. 전이 커널 k_n은 각 좌표에 독립적으로 적용되며, π_n에 대한 불변성을 만족한다. 알고리즘은 Figure 1에 제시된 전형적인 SMC 샘플러와 동일하게, 초기 입자를 샘플링하고, 각 단계에서 마코프 전이와 가중치 업데이트, ESS가 임계값 이하일 경우 다중항(resampling) 과정을 수행한다. 3. 주요 가정 (A1) 모든 s∈(φ_0,1]에 대해 전이 커널 k_s가 (1,θ,ς)‑small set 속성을 갖는다. 이는 지수적 수렴률을 보장한다. (A2) 전이 커널은 s에 대해 Lipschitz 연속이며, TV‑노름 차이가 |s−t|에 비례한다. 또한, 리샘플링 시점은 deterministic하게 t_1(d),…,t_{m*}(d) 로 지정한다. d→∞ 시 m*는 유한한 상수로 수렴한다. 4. 로그 가중치와 정규성 각 입자 i와 단계 k에 대해 로그 가중치는 \