불확정 분포를 가진 단일 변곡점 탐지와 최적 정지 규칙

본 연구는 변곡점(디스오더) 탐지 문제를 사전·사후 분포가 완전히 알려지지 않은 상황에서도 베이지안 접근법으로 해결하고자 한다. 서론에서는 변곡점 탐지의 역사적 배경과 기존 연구들을 소개하고, 특히 Kolmogorov와 Shiryaev가 제시한 기본 모델을 언급한다. 이후 불확정 분포를 고려한 최신 응용 사례(품질 관리, 네트워크 트래픽 이상 탐지, 역학 모델 등)를 제시하며 연구 동기를 제시한다. 2절에서는 모델의 기본 기호와 구조를 상세히 정의한다. 관측 시퀀스 Xₙ은 두 단계 마코프 과정 X₀,i와 X₁,j로 구성되며, 변곡점 θ가 발생하면 전 단계에서 후 단계로 전이한다. 파라미터 β₁∈I₀, β₂∈I₁는 각각 사전 확률 b_{ij}와 전이 확률 π_{ij}에 의해 결합된다. 사전·사후 밀도 집합 {f₀,i},{f₁,j}만이 알려져 있어, 정확한 확률밀도는 알 수 없지만 가능한 후보들을 이용한다. 변곡점 탐지 목표는 정지 시점 τ가 변곡점 θ와의 거리 |θ−τ|가 미리 정한 정밀도 d 이하가 될 확률을 최대화하는 것이다. 이를 위해 Zₙ = P(|θ−n|≤d | 𝔽ₙ)와 Vₙ = ess sup_{τ≥n}P(|θ−τ|≤d | 𝔽ₙ)를 도입하고, τ₀ = inf{n: Zₙ=Vₙ}가 최적 정지 시점임을 Lemma 1으로 증명한다. Lemma 2는 최소 d개의 관측이 필요함을 보여준다. 3절에서는 최적 해의 존재성을 보이며, Zₙ이 무한히 진행될수록 0으로 수렴함을 레베그 정리를 이용해 증명한다. 4절에서는 최적 정지 규칙을 실제로 구성한다. 먼저 Π_{i,j}ⁿ = P(θ≤n | β=(i,j), 𝔽ₙ)와 B_{i,j}ⁿ = P(β=(i,j) | 𝔽ₙ)라는 두 후방 확률 과정을 정의하고, 초기값 Π₀=0, B₀=b_{ij}에서 시작해 재귀식으로 업데이트한다. 이 과정은 관측 데이터와 사전 확률을 결합해 현재 시점까지 변곡점이 발생했는지, 그리고 파라미터 조합이 무엇인지 추정한다. 보상 함수 h는 Π와 B, 그리고 최근 d+2개의 관측값 X_{n−d−1,…,n}을 입력으로 받아, 변곡점이 d 범위 내에 있을 확률을 근사한다. h는 식(15)·(16)에서 정의되며, Ψ와 Λ라는 중간 함수들을 이용해 전후 밀도 집합의 불확정성을 반영한다. ηₙ = (X_{n−d−1,…,n}, Πₙ, Bₙ) 라는 마코프 랜덤 함수가 도입되어, 최적 정지 문제를 마코프 과정의 정지 문제로 변환한다. 동적 계획 연산자 T와 Q를 정의하고, 함수 시퀀스 s_k를 재귀적으로 계산해 한계값 s*를 얻는다. 최적 정지는 h(x,γ,δ) ≥ s*(x,γ,δ)인 영역 D*에 처음 도달하는 시점으로 정의된다(정리 1). 5절에서는 전체 해결 과정을 요약하고, 알고리즘적 구현 방안을 제시한다. 초기 파라미터 (π, b, x)와 관측 데이터를 입력으로, 후방 확률 Π와 B를 순차적으로 업데이트하고, h와 s*를 비교해 정지 여부를 판단한다. 이 절차는 실시간 변곡점 탐지에 적용 가능하며, 불확정 분포 상황에서도 최적성을 보장한다. 결론에서는 연구의 의의와 한계를 논의하고, 다변량 확장, 연속시간 모델, 비베이지안 접근 등 향후 연구 방향을 제시한다.