베이지안 포아송 터커 분해로 국제 관계 구조 학습

본 논문은 국제 관계를 설명하기 위해 국가‑국가 간 상호작용 이벤트를 정량적으로 모델링하는 새로운 베이지안 방법론, 베이지안 포아송 터커 분해(BPTD)를 제시한다. 연구 동기는 국가들이 다중 커뮤니티(예: OPEC, NATO, LAIA)에 동시에 소속될 수 있으며, 이러한 다중 소속이 행동 유형과 시점에 따라 다른 상호작용 패턴을 만든다는 점이다. 기존 모델들은 토큰 기반, 텐서 기반, 네트워크 기반 중 하나만 활용하거나, 단일 차원(예: CP 분해) 혹은 이진 텐서(IRM)만을 다루어 다차원적 복합성을 포착하지 못했다. BPTD는 이 세 가지 표현 방식을 모두 통합한다. 모델 정의에서는 사건을 (i, a, j, t) 형태의 토큰으로 보거나, 네 차원 카운트 텐서 Y_{i,a,j}^{(t)} 로 집계한다. 각 카운트는 포아송 분포를 따르며, 평균은 다중 잠재 요인의 곱으로 구성된다: y_{i,a,j}^{(t)} ∼ Poisson(∑_{c,d,k,r} θ_{i,c} θ_{j,d} φ_{a,k} ψ_{t,r} λ_{c→d}^{(k,r)}). 여기서 θ는 국가‑커뮤니티 행렬(V×C), φ는 행동‑주제 행렬(A×K), ψ는 시간‑레짐 행렬(T×R), λ는 C×C×K×R 코어 텐서이다. θ는 감마(α_i,β_i) 사전을 갖고, α_i,β_i 자체도 비정보적 감마 사전으로 계층화한다. 이는 국가마다 활동 강도가 다를 수 있음을 반영한다. φ와 ψ는 동일하게 비정보적 감마 사전에서 샘플링된다. λ는 대각선(내부 커뮤니티)과 비대각선(외부 커뮤니티) 모두 양의 값을 가질 수 있도록 두 종류의 감마 사전(η_in, η_out)으로 구성하고, 주제와 레짐에 대한 스케일 파라미터 ν_k, ρ_r을 곱한다. 이러한 설계는 커뮤니티 간 방향성, 주제별 행동 특성, 시간에 따른 레짐 변화를 동시에 모델링한다. 비파라미터적 확장은 C, K, R을 무한 차원으로 확장한다. C→∞이면 마크드 감마 프로세스가 각 커뮤니티와 그에 대응하는 θ, η_in을 생성하고, K와 R도 각각 감마 프로세스로 주제와 레짐을 무한히 생성한다. 따라서 모델은 데이터에 맞춰 적절한 커뮤니티·주제·레짐 수를 자동으로 선택한다. 추론은 Gibbs 샘플링 기반이다. 포아송 가법정리를 이용해 각 관측 카운트를 잠재 소스 y_{i,a,j}^{(t)}(c,k,d,r) 로 분해하고, 이 소스는 다시 감마‑포아송 형태의 조건부 분포를 갖는다. 각 파라미터(θ, φ, ψ, λ)의 사후는 감마‑포아송 공액성에 의해 닫힌 형태로 업데이트되며, 샘플링 과정에서 각 이벤트는 특정 (c,k,d,r) 조합에 할당된다. 이는 국가‑커뮤니티 멤버십, 행동‑주제 연관성, 시간‑레짐 변화를 동시에 추정한다. 샘플링 효율은 기존 CP 기반 모델보다 뛰어나며, 대규모 데이터에도 적용 가능하다. 실험에서는 1995~2000년 사이의 국제 사건 데이터(약 10만 건)를 사용했다. BPTD는 자동으로 7~10개의 커뮤니티를 발견했으며, 특히 커뮤니티 2,5,7은 지리적으로 유럽, 중동, 남미 국가군과 강하게 일치했다. 주제‑레짐 별 네트워크를 시각화하면, 협력·협의(주제 1, 레짐 1)에서는 커뮤니티 2→5, 2→7 같은 강한 방향성 상호작용이 드러났고, 군사·갈등(주제 2, 레짐 2)에서는 다른 패턴이 나타났다. 이는 국제 관계 이론에서 알려진 동맹·무역·갈등 구조와 일치한다. 예측 성능 측면에서는 로그우도와 퍼플렉시티에서 BPTD가 CP 기반 베이지안 포아송 매트릭스 팩터화, GPIRM, DCGPIRM 등을 모두 앞섰다. 특히 비정형적 활동률을 모델링한 덕분에 고활동 국가(예: 미국)의 이벤트를 정확히 예측했다. 결론적으로 BPTD는 (1) 국가‑커뮤니티 중첩 멤버십을 감마‑감마 계층으로 학습, (2) 주제·레짐 별 방향성 커뮤니티 네트워크를 코어 텐서로 표현, (3) 비파라미터적 확장으로 자동 차원 선택, (4) 효율적인 MCMC 추론을 제공함으로써 국제 관계 데이터의 복합적 구조를 정량적으로 파악하고 예측 정확도를 크게 향상시키는 혁신적인 모델이다. 향후 연구에서는 더 정교한 시간 연속성 모델링, 외부 지식(예: 무역량) 통합, 그리고 실시간 스트리밍 데이터에 대한 온라인 추론 확장이 기대된다.