온라인 베이지안 학습 및 적응형 사후추론 연구

Online Bayesian learning and adaptive posterior inference

연구 내용

순차 데이터에서 사후분포를 갱신하며 근사오차와 빈도주의 성질을 함께 분석하고, Cox 및 current status 모형에 대해 적응적 추론을 수행하는 연구입니다

온라인 학습 환경에서 베이지안 업데이트를 순차적으로 수행할 때, 최종 사후분포가 전체 배치 처리 결과와 얼마나 구별되는지 분석합니다. 정규 모델에서 Bernstein-von Mises 관점을 활용해 순차 절차의 근사오차가 누적되지만 특정 조건에서 무시 가능해짐을 보이며, 빈도주의 타당성을 뒷받침하는 방향으로 연구를 전개합니다. 또한 관측 시점이 격자에 있고 희소성이 알려지지 않는 current status 모형에 Dirichlet prior를 적용해 사후 수렴률의 적응성을 보이고, Cox proportional hazards model에 대한 온라인 베이지안 추론을 수행합니다.

관련 프로젝트

2건

연구 흐름

2022년에는 current status 모형에서 Dirichlet prior를 기반으로 Gibbs sampler로 사후추론을 구성하고, 격자 희소성에 대한 적응적 수렴률과 Bernstein–von Mises 성질을 함께 검토했습니다. 이후 2025년에는 온라인 Bernstein-von Mises theorem으로 순차 베이지안 업데이트의 근사와 빈도주의 성질을 일반화했습니다. 같은 해 Cox proportional hazards model에 대한 온라인 베이지안 추론을 다뤄 생존분석 맥락으로 확장했습니다. 전체적으로 적응성과 온라인 업데이트의 타당성을 연결하는 연구 흐름을 유지합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

온라인 학습 기반 베이지안 업데이트
사후분포 근사 기반 의사결정
Cox 모형 실시간 위험도 추정
current status 모형 적응 추론
Bernstein-von Mises 기반 신뢰성 평가
희소 격자 관측 처리
순차 데이터의 불확실성 정량화
데이터 스트림 사후갱신 파이프라인
변화점 감지 및 모델 재추정
모델-사전 조합의 이론 검증