arXiv:2606.21512v1 stat.ME

vine copula의 베이지안 모델 선택: 손실 기반 관점

Bayesian model selection of vine copulas: a loss-based perspective

Rosario Barone, Luciana Dalla Valle, Fabrizio Leisen, Cristiano Villa

제출 2026-06-19

한국어 초록

다변량 통계 분석에서 vine copula의 인기가 높아지는 것은 주로 복잡한 의존 구조를 포착할 수 있는 능력 때문이다. 그러나 이러한 유연성에는 대가가 따르며, 가능한 vine 모델의 수는 빠르게 증가하여 중간 정도로 낮은 차원 설정에서조차 다루기 어려워진다. 이러한 한계는 현재의 베이지안 추론 및 모델 선택 접근법의 실용적 적용 가능성에 영향을 미치며, 높은 계산 비용으로 인해 사실상 상대적으로 작은 차원의 문제로 제한된다. 본 논문은 베이지안 vine 방법론에서 효율적인 모델 선택과 추정이라는 아직 열려 있는 과제를 다룬다. 우리는 손실 기반 모델 사전분포와 shotgun stochastic search 전략을 결합한 베이지안 vine copula 모델 선택을 위한 새로운 프레임워크를 제안한다. 제안된 접근법의 강점은 두 가지이다: 희소성을 촉진하고 빠르고 효과적인 구조 선택을 가능하게 한다. 또한, 우리의 포괄적 프레임워크는 vine 구조를 공동으로 식별하고, copula 계열을 선택하며, 모델 매개변수를 추정한다. 제안된 접근법의 효과는 시뮬레이션 연구와 EFT 포트폴리오 자산 수익률에 대한 실제 데이터셋 적용을 통해 입증된다.

원문 초록

The growing popularity of vine copulas in multivariate statistical analysis is largely driven by their ability to capture complex dependence structures. However, this flexibility comes at a cost, as the number of possible vine models grows rapidly and becomes intractable even in moderately low-dimensional settings. These limitations affect the practical applicability of current Bayesian inference and model selection approaches, effectively restricting it to problems of relatively small-dimension due to their high computational cost. This paper addresses the still open challenge of efficient model selection and estimation in Bayesian vine methodology. We propose a novel framework for Bayesian vine copula model selection that combines loss-based model priors with the shotgun stochastic search strategy. The strength of the proposed approach is twofold: it promotes sparsity and enables fast and effective structure selection. Furthermore, our comprehensive framework jointly identifies the vine structure, selects the copula families, and estimates the model parameters. The power of the proposed approach is demonstrated via simulation studies and an application to a real dataset of EFT portfolio asset returns.

요약

다변량 통계 분석에서 vine copula는 복잡한 의존 구조를 잘 표현하지만 가능한 모델 수가 급증해 기존 베이지안 모델 선택은 계산 비용 때문에 낮은 차원에 국한된다. 손실 기반 모델 사전분포와 shotgun stochastic search를 결합한 프레임워크로 vine 구조, copula 계열, 매개변수를 함께 선택·추정해 희소성과 빠른 구조 선택을 가능하게 하며, 시뮬레이션과 EFT 포트폴리오 자산 수익률 적용에서 효과를 확인했다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.21512v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14527v1math.AP공통 태그 Bayesian Inference, Density Estimation, Stochastic Optimization

Riesz 커널 Stein 변분 경사하강법: 재정규화 엔트로피와 장시간 입자 극한

Riesz-Kernel Stein Variational Gradient Descent: Renormalized Entropy and Long-Time Particle Limits

Stein 변분 경사하강법(SVGD)은 결정론적 커널화 동역학을 통해 상호작용하는 입자들을 목표 분포로 수송한다. 특이 Riesz 커널은 정량적인 모집단 수준의 수렴을 제공할 수 있어 매력적이지만, 유한 입자 수준에서는 대응하는 Stein 에너지가 무한 자기 상호작용을 갖는다. 우리는 자기 상호작용을 제거한 주기적 Riesz SVGD를 연구하고, 다중 입자·장시간 샘플링 정리를 증명한다. 특이 Stein 에너지가 국소 적분 가능한 전체 구간에서, 입자당 초기 상대 엔트로피에 대한 균일 상한 하에서, 시간 평균 경험적 측도 법칙은 입자 수와 발산하는 평균화 시간 구간이 무한대로 갈수록 목표에서의 점질량 \(δ_π\)로 약수렴한다. 또한 유한 상대 엔트로피를 갖는 불변 입자 법칙이 유도하는 경험적 측도 법칙이 균일 엔트로피 상한 없이 \(δ_π\)로 약수렴함을 보인다. 로그 특이 임계값 아래에서는 명시적 대수적 유한 입자 오차 상한을 얻는다. 이러한 결과는 매끄러운 커널 SVGD에 대한 공동 엔트로피 접근법을 특이 상호작용으로 확장한다.

arXiv:2609.27976v2stat.ML공통 태그 Bayesian Inference, Density Estimation

연속적 라벨 이동 하에서의 컨포멀 베이즈: 민감도 분석과 정확한 타당성의 한계

Conformal Bayes under Continuous Label Shift: Sensitivity Analysis and the Limits of Exact Validity

Conformal Bayes는 베이즈 사후 예측 점수와 컨포멀 보정을 결합한다. 연속적 레이블 이동 하에서는 점수와 보정 가중치가 모두 알려지지 않은 응답 밀도비에 의존한다. 기존 방법은 보통 의사 레이블이나 예측 표본으로부터 단일 지수 틸트를 추정하여 이를 보정에 대입한다. 우리는 사전에 지정한 틸트 족에 대해 민감도 분석을 수행하는 Joint Tilt-Sensitivity Conformal Bayes(JTS-CB)를 제안한다. 각 틸트는 결합된 점수-가중치 쌍을 정의한다. 분할 절차인 JTS-SCB는 가중 절편 전용 분위수 회귀에서 틸트별 임계값 중 가장 큰 값을 취하여 결합 최소-최대 보정을 푼다. JTS-Union은 개별 임계값을 유지하여 JTS-SCB의 예측 집합에 포함되는 예측 집합을 산출한다. 두 방법 모두 설계상 보정 전용 가중치를 사용하며 일반적인 커버리지 보장은 없다. 또한 후보 가중 방식의 정확한 대응 방법도 연구한다. 0이 아닌 선형 지수 틸트는 어떤 것이든 그 예측 집합을 비유계로 만드는 반면, 콤팩트한 음의 이차 족은 가우시안 점수 하에서 유계인 정확한 합집합을 산출한다. 실용적 절차의 경우, 대체(fallback)를 포함한 국소화 보정은 틸트 족이 참 틸트를 포함할 때 명목 수준에서 목표 꼬리 질량 상한을 뺀 값 이상의 커버리지를 제공하지만, 폭을 상당히 증가시킬 수 있다. 세 개의 회귀 데이터셋에 대한 통제된 이동 실험과 합성 데이터 실험은, 이동이 잘 식별될 때 플러그인 예측 표집이 오라클 커버리지에 근접할 수 있으나 예측 편향과 불안정한 틸트 추정에는 여전히 취약함을 보여준다. 민감도 분석은 시험한 설정에서 이러한 실패를 완화할 수 있으나, 그 대가로 예측 집합이 넓어진다. 점수와 가중치를 결합하면 가중치만 변화시킬 때보다 더 높은 커버리지로 더 좁은 집합을 얻을 수 있으나, 이러한 이점이 모든 이동에서 일정하지는 않다. 민감도 족에서 참 틸트를 제외하면 여전히 과소 커버리지가 발생할 수 있다.

arXiv:2610.13397v1stat.ML공통 태그 Bayesian Inference, Density Estimation

모델 프리 베이지안 클러스터링 및 다봉 사후분포 요약

Model-free Bayesian Clustering and Multimodal Posterior Summarisation

본 논문에서는 예측 베이지안(predictive Bayesian) 관점에서 클러스터링에 대한 마팅게일 사후분포(martingale posterior)를 구성하는 모델 프리(model-free) 노이즈 인식 베이지안 클러스터링 프레임워크를 개발합니다. 이 방법은 명시적인 가능도(likelihood)-사전분포 모델 명시, 비용이 큰 MCMC 샘플링, 모드 탐색적 변분 근사를 피하는 동시에 불규칙한 클러스터 형태를 수용하고 사후분포 표본의 병렬 생성을 가능하게 합니다. 고차원 노이즈 인식 클러스터링에 대한 사후분포를 해석하기 위해 와서스테인(Wasserstein) 유형의 요약 방법을 도입합니다. 새로운 노이즈 인식 손실(loss)을 활용하여 대규모 사후분포 표본 집합을 소수의 가중치 기반 대표 집합으로 압축함으로써 서로 다른 클러스터 구조와 노이즈 할당을 포착합니다. 또한 밀도 수준의 불확실성을 주변화(marginalize)하여 특정 선택에 의존하지 않도록 합니다. 제안된 손실의 이론적 성질과 수준 주변화 사후분포 근사에 대한 보장을 규명합니다. 실험 결과는 클러스터링 및 노이즈 불확실성을 포착하는 데 있어 본 프레임워크의 효과성을 입증합니다.

arXiv:2610.13656v1stat.ML공통 태그 Bayesian Inference, Stochastic Optimization

비가우시안 공간 장을 위한 확장 가능한 희소 자기회귀 변분 추론

Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields

잠재 장 모델(Latent field model)은 공간 통계학에서 필수적이지만, 가우시안 프로세스(GP) 사전을 사용하더라도 가능도(likelihood)가 비가우시안(non-Gaussian)일 때마다 잠재 장의 사후 분포는 해석적으로 다루기 어렵습니다. 기존의 근사 기법들은 대규모 비가우시안 데이터셋에 적용하기에 너무 느리거나 지나치게 제약적입니다. 본 논문에서는 변분 족(variational family) 내에서 사전 분포의 희소 최근접 이웃 자기회귀 구조를 반영하고, 표현력을 위해 정규화 흐름(normalizing flow) 조건부 분포를 사용하며, 단일 공유 신경 조건화기(neural conditioner)를 통해 모든 변분 파라미터를 상각(amortize)하는 확장 가능한 변분 추론(variational inference) 프레임워크를 제안합니다. 축소된 조상 집합을 활용한 이중 확률적 최적화(doubly stochastic optimization)를 통해 반복(iteration)당 다항 로그 복잡도를 달성합니다.

arXiv:2610.11038v1math.ST공통 태그 Bayesian Inference, Model Selection

의사결정 충분 사후 분포 근사

Decision-Sufficient Posterior Approximation

우리는 사후 분포 근사가 특정한 하위(downstream) 의사결정 문제를 보존하도록 요구할 때 발생하는 결과를 조사한다. 목표 사후 분포 $P$와 손실은 행동(action)에 대한 리그렛(regret) 기하 구조를 결정하고, 기준선 근사 $Q_0$는 행동 변화를 유도하는 데 필요한 전방(forward) Kullback-Leibler 정보량을 결정하며, 제한된 근사 가족 $\mathcal{Q}$는 그러한 변화 중 어떤 것이 가능한지를 결정한다. 베이즈 행동(Bayes-action) 섬유(fiber)에 대해 KL 발산을 수축시키면, 의사결정 적절성(decision adequacy)과 의사결정 실패(decision failure)까지의 정확한 거리를, 결정 경계의 양쪽에 도달하는 최소 정보량의 사후 분포 변형(deformation)과 함께 얻을 수 있다. 정규(regular) 유한 차원 문제에서 목표 및 기준선 구성은 2차(quadratic) 국소 극한을 가지며, 이는 목표 리그렛 헤시안 $G$와 기준선 정보 메트릭 $J_I$이다. 이들의 일반화 고유값 문제(generalized eigenproblem) $Gv = γJ_Iv$는 단위 정보 비용당 리그렛 결과에 따라 국소 의사결정 방향들을 정렬하며, 허용 오차(tolerance)에 의존하는 유효 차원(effective dimension)을 유도한다. 제한된 근사 가족의 경우, 탄젠트 이미지(tangent image)는 의사결정 범위(decision coverage)와 정보 효율성(information efficiency)을 구분한다: 어떤 가족은 중요한 의사결정 방향을 놓칠 수 있고, 또는 도달 가능한 방향을 과도한 피셔(Fisher) 비용으로만 실현할 수도 있다. 이 프레임워크는 사후 분포 근사 가족을 비교하고 설계하기 위한 의사결정 상대적(decision-relative) 기준을 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.