Antigravity Agent
f8b21af4be
10_Wiki/Topics 대규모 정리: - 오류 캡처/미완성 stub 문서 227개 제거 - 교차폴더 중복 43클러스터 병합 (63파일 → redirect) - 링크명 정규화: 깨진 링크 수정·redirect 직결·개념 매핑 ~2,400건 - 카테고리 MOC 6개 신규 생성 - Graph 섹션 미해결 related-keyword 링크 10,058건 제거 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
128 lines
4.6 KiB
Markdown
128 lines
4.6 KiB
Markdown
---
|
|
id: wiki-2026-0508-markov-chains
|
|
title: Markov Chains
|
|
category: 10_Wiki/Topics
|
|
status: verified
|
|
canonical_id: self
|
|
aliases: [Markov Chain, MC, Markov Process, Discrete-Time Markov Chain, DTMC]
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.95
|
|
verification_status: applied
|
|
tags: [probability, stochastic-process, markov, mcmc, hmm, pagerank, statistics]
|
|
raw_sources: []
|
|
last_reinforced: 2026-05-10
|
|
github_commit: pending
|
|
tech_stack: { language: python, framework: numpy|scipy|pymc }
|
|
---
|
|
|
|
# Markov Chains
|
|
|
|
> 한 줄: "미래는 현재에만 의존" (memoryless) — 상태 전이 확률 행렬로 표현되는 확률 과정. PageRank·MCMC·HMM의 수학적 토대.
|
|
|
|
## 핵심
|
|
- **Markov property**: P(X_{t+1} | X_t, X_{t-1}, ...) = P(X_{t+1} | X_t). 과거 무관, 현재만.
|
|
- **Transition matrix P**: 행 합 = 1 (right stochastic). P[i][j] = i→j 확률.
|
|
- **Stationary distribution π**: πP = π. 충분히 오래 돌리면 수렴하는 분포 (ergodic 가정).
|
|
- **분류**: irreducible (모든 상태 도달), aperiodic (주기 없음), recurrent vs transient. 둘 다 만족 → ergodic → unique π.
|
|
- **Continuous-time (CTMC)**: rate matrix Q, e^{Qt}로 t-step 분포. queueing/생존분석.
|
|
|
|
## 결정 기준
|
|
| 문제 | 도구 | 비고 |
|
|
|---|---|---|
|
|
| 정상 분포 계산 | π = left eigenvector of P (eigval=1) | `scipy.linalg.eig` |
|
|
| 큰 sparse P | power iteration | PageRank 방식 |
|
|
| 사후분포 샘플링 | MCMC (Metropolis-Hastings, Gibbs) | PyMC, Stan, NumPyro |
|
|
| 숨은 상태 추론 | HMM (Forward-Backward, Viterbi) | hmmlearn |
|
|
| 강화학습 | MDP (action 추가) | gymnasium, stable-baselines3 |
|
|
| 시퀀스 생성(텍스트) | n-gram MC | 단순 baseline, LLM에 밀림 |
|
|
|
|
## 💻 패턴
|
|
|
|
### Transition matrix & 정상 분포
|
|
```python
|
|
import numpy as np
|
|
P = np.array([[0.7, 0.2, 0.1],
|
|
[0.3, 0.4, 0.3],
|
|
[0.2, 0.3, 0.5]])
|
|
# Method 1: eigenvector
|
|
w, v = np.linalg.eig(P.T)
|
|
pi = np.real(v[:, np.isclose(w, 1)].flatten()); pi /= pi.sum()
|
|
# Method 2: power iteration (sparse-friendly)
|
|
x = np.ones(3) / 3
|
|
for _ in range(1000): x = x @ P
|
|
print(pi, x) # 동일
|
|
```
|
|
|
|
### Simulation
|
|
```python
|
|
def simulate(P, x0, T, rng=np.random.default_rng(0)):
|
|
states = [x0]
|
|
for _ in range(T):
|
|
states.append(rng.choice(len(P), p=P[states[-1]]))
|
|
return states
|
|
```
|
|
|
|
### PageRank
|
|
```python
|
|
def pagerank(M, d=0.85, tol=1e-8):
|
|
n = M.shape[0]
|
|
r = np.ones(n) / n
|
|
teleport = np.ones(n) / n
|
|
while True:
|
|
r_new = d * (M.T @ r) + (1 - d) * teleport
|
|
if np.linalg.norm(r_new - r, 1) < tol: return r_new
|
|
r = r_new
|
|
```
|
|
|
|
### Metropolis-Hastings (MCMC)
|
|
```python
|
|
def metropolis(log_p, x0, n=10000, sigma=1.0, rng=np.random.default_rng()):
|
|
samples = [x0]; x = x0
|
|
for _ in range(n):
|
|
x_prop = x + rng.normal(scale=sigma)
|
|
if np.log(rng.random()) < log_p(x_prop) - log_p(x):
|
|
x = x_prop
|
|
samples.append(x)
|
|
return np.array(samples)
|
|
```
|
|
|
|
### Hidden Markov Model
|
|
```python
|
|
from hmmlearn import hmm
|
|
model = hmm.GaussianHMM(n_components=3, covariance_type="diag", n_iter=100)
|
|
model.fit(X) # Baum-Welch
|
|
states = model.predict(X) # Viterbi
|
|
log_prob = model.score(X) # Forward
|
|
```
|
|
|
|
### Mean first passage time
|
|
```python
|
|
def mean_first_passage(P, target):
|
|
n = len(P); Q = np.delete(np.delete(P, target, 0), target, 1)
|
|
return np.linalg.solve(np.eye(n-1) - Q, np.ones(n-1))
|
|
```
|
|
|
|
## 🔗 Graph
|
|
- 상위: [[Probability]]
|
|
- 관련: [[MCMC]] · [[MDP]] · [[Reinforcement-Learning]] · [[Bayesian-Inference]]
|
|
|
|
## 🤖 LLM 활용
|
|
- LLM에게 transition matrix 입력 → 정상 분포·mixing time 해석 부탁 가능. 단, 수치 계산은 NumPy로 검증.
|
|
- "내 도메인 문제를 MC로 모델링 가능한가?" 프레이밍에 LLM 유용 (state space 설계).
|
|
|
|
## ❌ 안티패턴
|
|
- **Markov property 위반 데이터에 MC 적용** — 장기 의존 → HMM/RNN/Transformer 고려.
|
|
- **Ergodicity 미확인 정상 분포** — reducible/주기 그래프에 π 가정 → 무의미.
|
|
- **MCMC chain 1개로 수렴 판정** — R-hat (Gelman-Rubin) 다중 chain으로 확인.
|
|
- **n-gram으로 자연어 생성 시도** — LLM 시대에 baseline 외 의미 적음.
|
|
- **희소 상태 dense matrix** — 100k+ 상태는 `scipy.sparse` 필수.
|
|
|
|
## 🧪 검증 / 중복
|
|
- 중복 후보: [[MCMC]], [[Hidden-Markov-Models]], [[PageRank]] — 각각 응용 페이지로 분리. 본 문서는 이론 허브.
|
|
- 검증: 행 합 1, π·P = π, eigenvalue=1 다중도로 reducibility 확인.
|
|
|
|
## 🕓 Changelog
|
|
- 2026-05-08 | Phase 1 — 자동 시드.
|
|
- 2026-05-10 | Manual cleanup — 정상 분포·MCMC·HMM·PageRank 코드, 결정 기준, 안티패턴 정리.
|