전방 이벤트 체인 몬테카를로의 확산 스케일링 한계와 효율적 탐색

본 논문은 최근 주목받고 있는 Piecewise Deterministic Markov Process(PDMP) 기반 MCMC 알고리즘 중 두 대표적인 방법, Bouncy Particle Sampler(BPS)와 Forward Event‑Chain Monte Carlo(FECMC)를 고차원 환경에서 정량적으로 비교한다. 서론에서는 전통적인 Metropolis‑Hastings 계열 알고리즘이 갖는 확산성 문제와, PDMP가 제공하는 비가역성 및 무편향 서브샘플링 가능성 등을 소개한다. 특히, BPS는 전역 리프레시율 \(\rho\) 를 통해 무작위성을 보장하지만, 이 리프레시가 과도하면 샘플링 효율을 저하시킨다는 설계 딜레마를 제시한다. 반면 FECMC 은 반사 시 stochastic한 변환을 도입해, \(\rho=0\) 일 때도 에르고딕성을 유지하도록 설계되었다. 그러나 이러한 설계가 실제로 얼마나 효율적인지는 이론적 근거가 부족했다는 점을 지적한다. 배경 섹션에서는 확산 스케일링 분석이 MCMC 효율성 평가에 어떻게 활용되는지를 정리한다. 기존의 Roberts‑Gelman‑Gilks(1997)와 그 이후의 확산 한계 연구들을 언급하고, PDMP에 대한 선행 연구인 Deligiannidis et al.(2021)와 Bierkens‑Kamatani‑Roberts(2022)의 결과를 비교한다. 특히, 목표분포를 표준 정규분포로 가정하고, 속도 분포를 단위 구면 위의 균등분포 \(\mu_d = \text{Unif}(S^{d-1})\) 로 설정함으로써 BPS와 FECMC 간 직접적인 비교가 가능하도록 한다. 핵심 이론 전개는 3장과 4장에서 이루어진다. 먼저, 반경 모멘텀 과정 \(R_t = V_t^\top X_t\) 를 정의하고, 이를 통해 잠재력 과정 \(Y_t = U_d(X_t)=\|X_t\|^2/2\) 의 동역학을 분석한다. BPS와 FECMC 모두 점프 강도 \(\lambda(x,v) = (v\cdot\nabla U(x))_+ + \rho\) 를 사용하지만, 점프 커널 \(Q\) 가 서로 다르다. BPS는 결정적 반사 \(\phi(z)\) 를, FECMC 은 확률적 반사 \(\tilde\phi(z)\) 를 적용한다. 저자들은 \(\rho=0\) 인 경우에도 FECMC 가 재생 구조 없이 마팅게일 분해를 수행할 수 있음을 보이기 위해, 생성자 대신 예측가능 투영(predictable projection) 기법을 사용한다. 이를 통해 반경 모멘텀의 반사와 재생 사이클을 정밀히 기술하고, Poisson 방정식 \(\mathcal L g = h - \pi(h)\) 를 풀어 평균 제로 마팅게일을 분리한다. 그 결과, 시간 스케일을 \(t_d = t/d\) 로 조정하면 두 알고리즘 모두 잠재력 과정이 Ornstein‑Uhlenbeck(OU) 확산 \