마진 베이지안 네트워크를 위한 새로운 하이퍼그래프 mDAG

본 논문은 베이지안 네트워크(Directed Acyclic Graph, DAG)의 마진 구조를 정확히 기술하기 위한 새로운 그래프 이론을 제시한다. 서론에서는 DAG가 조건부 독립성을 통해 확률 모델을 정의하지만, 잠재 변수가 포함될 경우 관측 변수만을 남긴 마진 분포가 원래 DAG로는 완전히 표현되지 않는다는 사실을 강조한다. 기존 연구에서는 ADMG, 요약 그래프, MC‑graph 등 다양한 혼합 그래프를 도입해 마진을 나타내려 했지만, 이들 역시 모든 가능한 마진 제약을 포괄하지 못한다는 점을 지적한다. 2장에서는 기본적인 DAG 정의와 구조적 방정식 속성(SEP), d‑separation, 전역 Markov 성질 등을 정리한다. 특히 SEP와 전역 Markov 성질이 동등함을 보이며, 이를 바탕으로 잠재 변수가 있는 경우의 마진 모델 M(D, V) 정의를 제시한다. 3장에서는 잠재 변수의 존재가 마진에 미치는 영향을 논의하고, 기존의 “조상 집합에 대한 마진은 해당 조상 서브그래프와 동일”이라는 기본 명제(Prop 3.3)를 재확인한다. 이어서 예시 3.4와 3.5를 통해 간단한 DAG에서 마진이 단순한 조건부 독립성만을 의미하지 않을 수 있음을 보여준다. 특히 예시 3.5에서는 Vermas 제약이라는 비조건부 독립성 제약이 등장하는데, 이는 기존 혼합 그래프가 포착하지 못하는 복잡한 구조임을 강조한다. 4장에서는 논문의 핵심 기여인 mDAG(마진 DAG)를 정의한다. mDAG는 정점 집합 V와 두 종류의 에지(전통적인 방향 에지와 하이퍼 양방향 에지)를 갖는 하이퍼그래프이며, 각 하이퍼 양방향 에지는 하나의 외생 잠재 변수를 나타낸다. 저자는 “잠재 투영(latent projection)” 연산을 정식화하여, 주어진 DAG D와 관측 변수 집합 V에 대해 mDAG G = π(D, V) 를 구성한다. 이 연산은 (i) 모든 직접적인 부모 관계를 보존하고, (ii) 잠재 변수가 여러 관측 변수에 동시에 영향을 미치는 경우를 하나의 하이퍼 엣지로 압축한다. 5장에서는 mDAG에 대한 Markov 성질을 확장한다. 기존의 d‑separation 개념을 “m‑separation”으로 일반화하여, 하이퍼 엣지를 통과하는 경로의 차단 조건을 정의한다. 이를 통해 mDAG가 정의하는 확률 분포 집합 M(G) 가 원래 DAG의 마진 모델 M(D, V) 와 일치함을 정리한다. 또한 mDAG 간의 Markov 등가성(두 그래프가 동일한 마진 모델을 나타내는 경우)을 판단하는 충분조건과 필요조건을 제시한다. 특히 하이퍼 엣지의 포함 관계와 조상 집합 구조가 등가성 판단에 핵심적인 역할을 한다는 점을 강조한다. 6장에서는 기존 혼합 그래프(ADMG 등)가 mDAG의 표현력을 완전히 대체하지 못함을 증명한다. 구체적으로, 하이퍼 엣지가 없는 그래프에서는 특정 비조건부 독립성 제약(Vermas 제약)을 표현할 수 없으며, 이는 마진 모델이 더 복잡한 구조적 제약을 가질 수 있음을 보여준다. 7장에서는 인과 해석을 도입한다. 인과 DAG에 대해 “do‑연산”을 관측 변수에 적용했을 때, 해당 마진 모델은 여전히 mDAG에 의해 정확히 기술된다. 즉, 개입 후에도 mDAG의 하이퍼 엣지 구조는 변하지 않으며, 이는 인과 추론에서 개입 효과를 그래프적으로 추적할 수 있음을 의미한다. 저자는 개입 가능한 변수 집합이 적절히 정의될 경우, 인과적 mDAG와 마진 모델 사이에 일대일 대응이 존재함을 정리한다. 8장에서는 연구의 한계와 향후 과제를 논의한다. 현재 mDAG는 이론적 표현력은 충분하지만, 일반적인 파라미터화, 효율적인 추정 알고리즘, 그리고 대규모 데이터에 대한 계산적 스케일링이 아직 부족하다. 또한 마진 모델의 완전한 Markov 등가성 판별 기준을 찾는 것이 열린 문제로 남아 있다. 결론적으로, 본 논문은 잠재 변수를 포함한 베이지안 네트워크의 마진 구조를 정확히 포착하기 위해 기존 그래프 이론을 확장한 mDAG 프레임워크를 제시하고, 이를 통해 인과적 개입까지 일관되게 다룰 수 있음을 증명한다. 이는 통계, 머신러닝, 인과 추론 분야에서 잠재 변수에 대한 비파라메트릭 접근을 필요로 하는 다양한 응용에 중요한 이론적 토대를 제공한다.