GAN을 활용한 생성적 베이즈 추론

섹션별 상세

우도 함수를 직접 계산할 수 없는 상황에서 사용되는 근사 베이즈 계산(ABC)의 한계를 극복하기 위해 GAN 기반의 딥러닝 암묵적 샘플러를 도입했다.

B-GAN(Bayesian GAN)은 조건부 GAN을 사용하여 관측 데이터와 가상 데이터의 특성을 비교함으로써 사후 분포로부터 직접 샘플링을 수행하는 적대적 최적화 방식을 채택했다.

학습된 생성기는 노이즈 입력을 사후 분포 샘플로 변환하는 결정론적 매핑 역할을 수행하며, 이를 통해 추가적인 계산 비용 없이 대량의 iid(독립 동일 분포) 샘플을 즉시 얻을 수 있다.

데이터 기반 제안 분포를 이용한 중요도 재가중치(Importance Reweighting)와 변분 베이즈(Variational Bayes)라는 두 가지 국소 정교화 기법을 제안하여 샘플의 질을 향상시켰다.

이론적 분석을 통해 특정 조건의 신경망 생성기와 판별기를 사용할 경우 근사 사후 분포가 실제 사후 분포로 수렴한다는 빈도주의적-베이즈(Frequentist-Bayesian) 결과를 도출했다.