안녕하세요, 조교입니다.
Chapter 10에서는 random variable이 하나 있거나, 여러개 있지만 그 joint distribution의 point evaluation을 구할 수 있을 때 sampling하는 알고리즘들을 학습하였습니다.
그런데 보통은 여러 random variable이 존재할 때, conditional distribution에 대한 정보만 access 가능한 경우가 많기 때문에 이번 시간에는 multiple random variable이 probabilistic graphical model을 통해 그 관계가 가정된 경우의 sampling 방법을 알아보도록 하겠습니다.
예를 통해 설명하는 것이 가장 직관적인데요, random variable X_1,X_2,...,X_nX1,X2,...,Xn 이 markov property, 즉
p(X_k\vert X_1,...,X_{k-1})=p(X_{k}\vert X_{k-1}), \forall kp(Xk∣X1,...,Xk−1)=p(Xk∣Xk−1),∀k 관계를 만족시킬 때 joint distribution은
p(X_{1:n})=\prod_{i=1}^{n}p(X_{i}\vert X_{i-1})p(X1:n)=∏i=1np(Xi∣Xi−1) 가 되는 것을 알 수 있습니다.
그렇다면, p(X_1)p(X1) 에서 rejection을 사용하든, importance를 사용하든, MCMC를 사용하든 sample X_1=x_1X1=x1 을 하나 뽑고,
p(X_2\vert X_{1}=x_{1})p(X2∣X1=x1) 에서 또 (rejection/importance/MCMC)를 사용하여 sample X_{2}=x_{2}X2=x2 를 하나 뽑고,
계속하여 이런 방식으로 순차적으로 뽑으면 (X_{1},...,X_{n})=(x_{1},...,x_{n})(X1,...,Xn)=(x1,...,xn) 샘플 쌍을 얻을 수 있습니다.
이렇게 뽑은 realization인 sample은 joint distribution p(X_{1:n})p(X1:n) 을 따르는 것이 알려져 있으며,
이와 같은 방법론을 ancestral sampling이라고 합니다.
이런 ancestral sampling을 통해 pointwise evaluation은 불가능하지만 conditional evaluation이 가능한 경우에 sampling하는 방법을 알아보았습니다.
comment