정확한 베이지안 추론을 위한 확장 상태공간 알고리즘: MESA와 nMESA

본 논문은 연속시간 마코프 점프 프로세스(MJP)를 모델링하는 다양한 과학·공학 분야—예를 들어 생물학적 종의 개체수, 화학 반응 네트워크, 유전자의 발현 과정—에서 발생하는 베이지안 추론 문제를 다룬다. 이러한 시스템은 종종 무한히 큰 상태공간을 가지며, 반응 속도 파라미터 \(\theta\) 를 추정하기 위해 관측 데이터가 정확히(노이즈가 거의 없음) 주어지는 경우가 많다. 전통적인 파티클 마코프 체인 몬테카를로(particle MCMC)는 관측이 정확할수록 파티클 가중치가 급격히 0에 수렴해 효율이 급감한다. 특히 관측 간격이 짧고, 반응 속도가 빠른 경우에는 거의 모든 파티클이 “불가능한 경로”로 판단되어 재샘플링이 거의 이루어지지 않는다. 이러한 한계를 극복하기 위해 저자들은 두 가지 새로운 MCMC 기반 알고리즘, MESA와 nMESA를 제안한다. 핵심 아이디어는 무한 상태공간을 “중첩된 유한 영역” \(\{R_r\}_{r=0}^\infty\) 로 분할하고, 각 영역 내부 전이와 외부 전이를 하나의 코핀 상태(C) 로 집계한 유한 차원의 레이트 매트릭스 \(Q_r\) 를 만든 뒤, 해당 매트릭스의 행렬 지수 \(\exp(Q_r t)\) 를 이용해 정확한 전이 확률을 계산하는 것이다. ### 1. 문제 설정 및 기존 방법 - MJP는 반응 집합 \(\{R\}\) 과 각 반응의 속도 함수 \(h_r(x;\theta_r)\) 로 정의된다. 상태벡터 \(X(t)\) 는 반응이 발생할 때마다 점프한다. - 관측은 정확히 \(X(t_i)=x_i\) 형태로 주어지며, 관측 간격 \(\Delta t\) 가 일정하다고 가정한다. - 유한 상태공간일 경우, 전이 확률은 \(