프로젝트 소개
자료 종류와 양이 급증한 환경에서 불필요한 자료를 걸러내고 유용한 정보를 찾는 문제는 중요한 통계 과제로 부각됨. 본 과제는 베이지안 MCMC 알고리즘을 고차원 모수공간에서 stationary distribution으로 수렴하는 MCMC샘플 생성이 효율적이도록 개선하는 연구임.
연구 목표는 1차년도 일반 회귀 모형에서 Stochastic Search Variable Selection 기반 변수선택 알고리즘을 개발하고, 이를 2차년도 로지스틱 회귀모형과 cox 비례위험 모형으로 확장하며, 3차년도 Hidden Markov Random Field (HMRF) 다중검정문제로 확장해 1차원 two-state HMRF에서 2차원 two-state HMRF로 순차 확장하는 데 있음. 핵심 연구 내용은 설명변수의 포함여부를 나타내는 잠재변수 사용과 dependency, heredity constraint를 고려한 효과적 모수공간 탐색 및 correlation이 존재하는 고차원 HMRF에서의 MCMC알고리즘 개발임. 기대효과는 변수 간 상관성에 유연하게 대응하는 베이지안 변수선택 및 HMRF 기반 베이지안 다중 검색 적용으로 뇌 이미지 같은 의학 영상자료, 기후변화 같은 공간자료 분석의 효과적 추론이 가능해짐.