선형 제약 밀도에 대한 고차원 히트앤런 샘플러

본 연구는 베이지안 역문제와 같은 자연과학 분야에서 흔히 마주치는 “선형 제약이 적용된 비균등 확률밀도”의 효율적인 MCMC 샘플링 방법을 개발하는 것을 목표로 한다. 기존의 Hit‑&‑Run(HR) 알고리즘은 제약을 만족하는 제안을 보장하지만, 제안 분포가 단순히 방향과 거리의 조합으로 이루어진 대각 가우시안 형태라 복잡한 밀도 구조를 반영하지 못한다. 반면, MALA, HMC, mMALA와 같은 고차 정보 기반 샘플러는 기울기와 헤시안(또는 메트릭 텐서)을 활용해 효율성을 높이지만, 제약을 무시하면 비실현 가능한 제안이 다수 발생해 수용률이 급격히 감소한다. 저자들은 이러한 두 접근법의 장점을 결합한 새로운 샘플러들을 제안한다. 핵심 아이디어는 HR의 “방향‑크기 분해”를 유지하면서, 제안 평균을 고차 정보(기울기 혹은 자연 기울기)로 이동시키고, 그 이동 거리를 제약면과의 거리 \(\kappa\) 의 절반으로 클리핑하여 제안이 반드시 제약 내부에 머물게 하는 것이다. 이를 통해 “제약을 만족하는 고차 정보 기반 제안”을 만들 수 있다. 구체적인 알고리즘은 다음과 같다. 1. **Langevin Hit‑&‑Run (LHR)** – 기존 HR에 MALA와 동일한 기울기 \(\nabla\log\phi(x)\) 를 추가한다. 기울기가 제약을 초과하지 않도록 \(\hat\varepsilon = \min\{\varepsilon^2/2,\kappa/2\}\) 로 클리핑하고, 평균 \(x+\hat\varepsilon\nabla\log\phi(x)\) 를 중심으로 HR 절차(방향 샘플링 → 최대 스텝 \(\gamma_{\max}\) 계산 → 스텝 \(\gamma\) 샘플링) 를 수행한다. 제약이 멀리 있으면 LHR은 MALA와 동일한 행동을 보인다. 2. **Elliptical Hit‑&‑Run (EHR)** – 메트릭 텐서 \(G(x)\) (양의 정부호 행렬)의 역을 이용해 방향을 타원형으로 변형한다. 구체적으로는 Cholesky 분해 \(G^{-1}=LL^\top\) 를 구하고, HR의 방향 \(u\) 를 \(v = L^\top u\) 로 변환한다. 이후 동일하게 \(\gamma_{\max}\) 와 \(\gamma\) 를 계산한다. 제안 밀도는 Lemma 3.1에 의해 \