선생님 안녕하세요? 오랜만입니다. 잘 지내시죠? 블로그에 글을 정리해두는건 정말 의미있는 결정이었던 것 같습니다 ㅎ 글로 다시 정리하고 나면, 저보다 더 잘 아시겠지만, 어떤 부분에서 제 이해가 부족했는지도 다시 한번 정리할 수 있는 기회가 되어서 더 좋기도 하더군요 ㅎㅎ 아마 선생님이시라면 더 잘 정리하실 것 같습니다 ㅎㅎ 그리고 그 글이 다른 많은 분들에게도 좋은 영향을 주겠지요 ㅎㅎ
강의 중 궁금한게 있어 여쭤봅니다. 강의중 아바타 제너레이터와 갠에대해서 잠시 말씀하셨는데 만약 이때 랜덤으로 설정시 프로퍼티들 각각은 독립적인 것으로 가정해서 추출하는것이겠죠? 그럼 이런 프로퍼티들 간의 상호 상관성이 존재한다고 즉 약간의 스타일링(프로퍼티 1이 A일때 프로퍼티2는 C이거나 D일 확률이 0.3, 0.7이런식으로) 이 가정 된다고 할수도 있겠죠? 그럼 이런 경우와 이들 프로퍼티간의 산정 프로세스를 상관성이 개입되지 않았을 때를 비교해서 개념과 적용가능한 방법들을 간단히 설명해 주실 수 있나요? 아무래도 베이지안 추론이나 베이지안 네트워크 이런방식이 쓰이겠죠?
안녕하세요. 제 대답은 아니오입니다. 어떤 sampling method이건 간에 pdf를 몰라서 sampling을 할 수 없는 것이 아니라 inverse CDF를 계산하기 어렵기 때문에 다양한 sampling method가 나오는 것입니다. rejection sampling의 경우에는 target distribution을 커버할 수 있을 만큼 큰 함수를 이용해 propose하는것이 특징일 뿐 꼭 target 함수를 알아야만 rejection sampling할 수 있다고 말하는 것은 틀린 말인 것 같습니다.
@@AngeloYeo 답변 감사드립니다. MCMC든 rejection sampling이든, pdf를 알더라도, 적분이 어렵기 때문에 샘플링 용도로 사용된다는 말씀이시지요? 한가지 더 궁금한 점은, 실제로는 데이터 수가 너무 많거나 여타 다른 이유로 pdf의 형태만 짐작할 뿐, 정확한 형태는 알지 못하는 경우도 있을 것 같은데요... 즉 함수의 형태를 찾기 위한 방안으로 mcmc나 rejection sampling을 사용할 수도 있나요?