체인 이벤트 그래프의 분리 정리

본 논문은 베이지안 네트워크(BN)의 d‑separation 정리가 그래프 토폴로지를 통해 조건부 독립성을 판별하는 강력한 도구임을 인정하면서도, 복잡한 사건 흐름이나 상황‑특이적 대칭성을 표현하기엔 한계가 있음을 지적한다. 이러한 한계를 극복하기 위해 2006년에 제안된 체인 이벤트 그래프(CEG)를 재조명하고, CEG 전용의 분리 정리를 새롭게 제시한다. 첫 번째 장에서는 BN의 기본 개념과 d‑separation 정리의 역할을 간략히 소개하고, 기존 연구에서 제시된 다양한 그래프 모델(체인 그래프, 대체 체인 그래프, 조상 그래프 등)의 분리 정리와 비교한다. 이어서 CEG가 왜 필요한지, 특히 사건 트리(event tree)를 기반으로 하여 개별 사건의 순차적 전개와 조건부 확률을 자연스럽게 포착한다는 점을 강조한다. 두 번째 장에서는 구체적인 예시(유전 질환 연구)를 통해 CEG의 구성 요소를 단계별로 설명한다. 사건 트리는 루트에서 리프까지의 경로(route)로 구성되며, 각 경로는 개별의 가능한 이력(atom)으로 해석된다. 트리의 각 정점은 “상황(position)”과 “단계(stage)”라는 두 가지 동등 클래스에 할당된다. 상황은 동일한 미래 전개 확률 분포를 공유하는 정점들의 집합이며, 단계는 동일한 방출(edge) 확률 분포를 공유하는 정점들의 집합이다. 색칠(colouring)과 정점 합병(coalescence)을 통해 동일한 확률 구조를 갖는 서브트리를 하나의 정점으로 압축함으로써 그래프를 간결하게 만든다. 이 과정에서 각 원자 경로 λ에 대한 기본 확률 π_e(v'|v)와 원자 확률 p(λ)=∏_{e∈λ}π_e가 정의되고, 전체 사건 공간의 σ-필드가 구성된다. 세 번째 장에서는 CEG 위에 정의된 원시 변수(elementary variables)를 도입하고, 이를 이용해 분리 정리를 정식화한다. 핵심 정리는 다음과 같다: 두 변수 집합 A와 B가 각각의 상황·단계에 대응하는 정점들에 속하고, 조건 집합 Λ가 그래프 상에서 A와 B 사이의 모든 경로를 차단한다면, A ⫫ B | Λ 가 성립한다. 여기서 “경로 차단”은 d‑separation에서의 collider, non‑collider 개념을 상황·단계 구조에 맞게 일반화한 것으로, 경로 상에 Λ가 포함된 정점이 있거나, 경로가 Λ에 의해 차단되는 경우를 모두 포함한다. 정리의 증명은 사건 트리의 원자 확률 분해와 상황·단계 동등성의 보존성을 이용한다. 정리의 직접적인 귀결로는 (1) 동일 단계 정리: 같은 단계에 속한 정점들은 동일한 조건부 확률 분포를 공유한다; (2) 동일 상황 정리: 같은 상황에 속한 정점들은 동일한 미래 전개 확률을 가진다; (3) CEG‑d‑separation 상관관계: 특정 CEG가 DAG 형태로 변환될 경우, 두 정리 사이의 일치성을 보인다. 이러한 결과는 CEG 기반 인과 추론, 학습 알고리즘, 모델 선택 절차에 실질적인 가이드라인을 제공한다. 네 번째 장에서는 앞서 제시한 정리를 실제 예시와 비교하면서, BN에서는 표현하기 어려운 “조건부 사건 Λ에 대한 독립성”을 CEG에서는 토폴로지만으로 명시할 수 있음을 보여준다. 또한 대규모 문제에서 전체 CEG를 직접 그리기보다는 컴퓨터 제약조건 집합으로 관리하고, 필요한 서브‑CEG만 추출해 로컬·글로벌 독립성을 검증하는 실용적인 접근법을 제안한다. 결론에서는 CEG가 복잡한 이산 과정 모델링에 있어 가장 자연스러운 그래픽 표현임을 재확인하고, 제안된 분리 정리가 CEG의 이론적 기반을 견고히 하며, 향후 확장(연속 변수, 동적 CEG, 베이지안 학습)에도 적용 가능함을 강조한다.