고차원에서 랜덤워크 메트로폴리스의 확산극한과 효율적 스케일링

본 논문은 고차원 확률론 및 베이지안 통계 분야에서 널리 사용되는 메트로폴리스‑해스팅(MH) 알고리즘, 특히 가장 단순한 형태인 랜덤워크 메트로폴리스(RWM)의 고차원 행동을 무한 차원 힐베르트 공간으로 일반화한다. 기존 연구는 주로 독립적인 1차원 밀도들의 곱 형태, 즉 π_N(x)=∏_{i=1}^N f(x_i) 와 같은 제품 구조에 한정되었으며, 이러한 구조는 실제 베이지안 비모수 모델이나 조건부 확산 모델에 적용하기에 제한적이었다. 저자들은 이러한 한계를 극복하고자, 기준 가우시안 측도 μ₀(0,C)와 절대 연속인 목표측도 π(d x)=M_Ψ exp(−Ψ(x)) μ₀(d x) 를 고려한다. 여기서 Ψ는 μ₀‑측정가능하고 충분히 정칙한 함수이며, 베이지안 비모수 회귀에서 로그 사후 확률에 해당한다. 핵심 기법은 힐베르트 공간 H의 고유함수 {φ_j}와 고유값 {λ_j²}를 이용해 좌표화하고, 제안 분포를 y = x + √(2 ℓ² N⁻¹) C^{1/2} ξ, ξ∼N(0,I) 와 같이 설정한다. 이때 C^{1/2}는 μ₀의 공분산 연산자의 제곱근이며, ξ는 유한 차원 N개의 표준 정규 변수들의 선형 결합이다. 제안 변동성의 스케일링을 N⁻¹ 로 두는 이유는 차원이 커짐에 따라 제안이 지나치게 크게 되면 수용 확률이 급격히 0으로 떨어지고, 반대로 너무 작게 하면 탐색이 느려진다. 이전 연구에서 γ_c=1 (RWM) 및 γ_c=1/3 (MALA) 라는 임계값이 제시되었으며, 본 논문은 γ=γ_c=1을 채택한다. 수용 확률 α(x,y)=1∧