Likelihood-free MCMC with Amortized Approximate Ratio Estimators

2022년 04월 01일 (금) | 발표자: 이찬희

이 논문은 Markov Chain Monte Carlo (MCMC) 알고리즘에 딥러닝 모델을 적용하는 방법을 제시합니다. MCMC에서 이전 state와 다음 state에 대한 likelihood ratio 계산을 통해 state transition acceptance를 판단할 수 있는데, likelihood ratio 계산에서 supervised learning으로 학습되는 딥러닝 모델 classifier를 사용하는 것입니다. 이 classifer는 특정 state에서 주어진 observation이 관측될 확률을 예측하는 task로 학습됩니다. 이러한 방법은 likelihood ratio 계산이 untractable한 상황에서 MCMC를 사용할 수 있게 해주는 장점이 있으나, 한편 MCMC를 적용하는 simulation environment에 따라 딥러닝 모델이 적절하게 학습되었는지에 따라 likelihood ratio approximation 성능이 저하되어 적절한 MCMC가 이루어지지 않을 수도 있는 가능성이 있습니다.