강화학습 기반 필터 병렬화와 특징 선택 향상

본 논문은 고차원 데이터에서 특징 선택을 수행하는 MeLiF 알고리즘의 계산 효율성을 개선하기 위해 두 가지 병렬화 기법을 제안한다. MeLiF는 여러 기본 랭킹 필터(예: Spearman, Symmetric Uncertainty, Fit Criterion, VDM)의 중요도 점수를 선형 결합하고, 결합된 점수를 기준으로 상위 m개의 특징을 선택한다. 핵심 연산은 N 차원(기본 필터 수) 탐색 공간에서 좌표 하강(coordiante descent)을 수행하면서 각 좌표를 ±δ 만큼 이동시켜 새로운 조합을 평가하는 과정이다. 이때 매 조합마다 분류기(SVM)를 학습·검증해야 하므로 연산 비용이 크게 증가한다. 기존 단일 스레드 구현은 속도 면에서 한계가 있었고, MeLiF+라는 나이브 병렬화는 시작점마다 별도 스레드를 할당하지만 작업이 종료될 때 스레드가 해제되지 않아 자원 활용도가 낮았다. 이를 해결하고자 저자들은 두 가지 새로운 병렬화 스키마를 설계했다. 첫 번째는 PQMeLiF이다. 이 방법은 “best‑first search”와 유사하게, 아직 탐색되지 않은 이웃 포인트를 현재 점수와 함께 우선순위 큐에 삽입한다. 여러 스레드가 동시에 큐에서 가장 높은 우선순위를 가진 포인트를 꺼내 평가하고, 그 이웃을 다시 큐에 넣는 과정을 반복한다. 정지 기준으로는 ‘방문 포인트 수 제한(예: 75, 100, 125)’이나 ‘연속 32 포인트 무향상’ 등을 사용한다. 초기 시작점은 기본 필터 수와 동일하게 설정되며, 필요에 따라 시작점을 늘려 코어 활용도를 높일 수 있다. 두 번째는 MAMeLiF이다. 여기서는 탐색 공간을 여러 영역으로 나누고, 각 영역을 다중 팔 밴딧 문제의 팔로 매핑한다. UCB1 알고리즘을 적용해 현재까지 얻은 보상(포인트의 F1 스코어)과 탐색 횟수를 기반으로 어느 영역을 우선 탐색할지 결정한다. 각 스레드는 독립적으로 팔을 선택하고, 평가 결과를 중앙 큐에 보고한다. 스레드 간 피드백이 지연될 수 있다는 점을 고려해, Joulani et al.의 지연 보정 이론을 차용해 현재까지 수집된 정보만으로도 합리적인 선택을 보장한다. 실험은 36개의 DNA 마이크로어레이 데이터셋(수천~수만 피처, 수백 이하 샘플)과 4개의 기본 필터를 사용했으며, 분류기로는 다항 커널 SVM(C=1)을 5‑fold 교차 검증했다. 선택된 특징 수는 100개로 고정하였다. 하드웨어는 32코어 AMD Opteron 6272, 128 GB RAM이며, 최대 50개의 스레드를 활용했다. 실험 결과, MeLiF+ 대비 PQMeLiF와 MAMeLiF는 평균 2‑3배 빠른 실행 시간을 보였고, F1 스코어는 대부분 원본 MeLiF와 동등하거나 약간 상승했다. 특히 PQ75와 MArel 설정이 가장 좋은 성능‑시간 트레이드오프를 제공했다. 논문은 병렬화 설계 시 작업 분할 granularity, 스레드 자원 회수, 탐색 정지 기준 등을 체계적으로 고려했으며, 강화학습(다중 팔 밴딧)과 전통적인 우선순위 탐색을 결합한 새로운 패러다임을 제시한다. 향후 연구에서는 MAMeLiF의 영역 분할 크기를 코어 수에 맞춰 최적화하고, 다양한 시스템 환경에서 Amdahl’s Law에 기반한 최적점(오프티멀 포인트)을 찾는 작업이 제안된다.