베이지안 최우도 사후 확률 체인 이벤트 그래프 모델 선택

초록

본 논문은 체인 이벤트 그래프(CEG)라는 비대칭 확률 모델에 대해 완전 표본을 가정하고, 제품 디리클레 사전 하에서 베이지안 최대 사후 확률(MAP) 모델 선택이 폐쇄형 해를 갖는 방법을 제시한다. 또한 동질성 가정이 제품 디리클레 사전을 유일하게 정의함을 증명하고, 두 교육적 사례를 통해 실제 적용 과정을 보여준다.

상세 분석

체인 이벤트 그래프(CEG)는 전통적인 이산 베이지안 네트워크(BN)의 일반화로, 사건이 발생하는 순서와 비대칭적인 상태공간을 자연스럽게 표현한다는 점에서 큰 장점을 가진다. 그러나 CEG의 구조적 복잡성 때문에 사전 선택과 모델 비교가 어려웠으며, 기존 연구에서는 주로 빈도 기반 추정이나 MCMC와 같은 근사 방법에 의존했다. 본 논문은 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 완전 표본(complete sampling) 상황을 가정함으로써 각 경로에 대한 충분한 관측 정보를 확보한다. 이는 CEG의 모든 원본(leaf) 노드가 관측된다는 의미이며, 이때 각 원본에 대응하는 사건 발생 빈도가 충분히 큰 경우 디리클레 사전과의 결합이 수학적으로 단순화된다. 둘째, 제품 디리클레(product Dirichlet) 사전을 채택한다. 제품 디리클레는 각 상황(situation)별로 독립적인 디리클레 사전을 곱한 형태로, CEG의 트리 구조와 자연스럽게 맞물린다. 논문은 “동질성 가정”(homogeneity assumption)을 명시적으로 정의하고, 이 가정이 바로 제품 디리클레 사전을 유일하게 특성화한다는 정리를 증명한다. 즉, 상황 간 전이 확률이 동일한 형태의 사전 분포를 공유한다면, 전체 사전은 각 상황별 디리클레 사전의 곱으로 표현될 수밖에 없다는 것이다.

이러한 사전 설정 하에서 MAP 모델 선택은 사후 확률을 로그-우도와 로그-사전의 합으로 표현할 수 있으며, 각 상황별 파라미터에 대한 충분통계가 단순히 사건 카운트이므로, 폐쇄형 해가 존재한다. 구체적으로, 사후 디리클레 파라미터는 사전 파라미터와 관측 카운트의 합으로 업데이트되며, MAP 추정은 사후 파라미터에서 (α_i−1)/(α_0−K) 형태의 기대값을 취함으로써 얻어진다. 모델 비교는 베이지안 정보 기준(BIC)이나 사후 확률 비율 대신, 직접 사후 확률을 계산해 가장 큰 값을 갖는 CEG 구조를 선택한다.

논문은 두 교육용 예시—(1) 간단한 의료 진단 과정, (2) 교육 과정에서의 학생 행동 흐름—를 통해 전체 절차를 시연한다. 첫 번째 예시에서는 진단 단계마다 가능한 증상과 검사 결과가 비대칭적으로 분기되는 구조를 CEG로 모델링하고, 완전 표본을 가정한 뒤 제품 디리클레 사전으로 MAP 선택을 수행한다. 두 번째 예시에서는 학생들의 학습 경로가 여러 갈래로 나뉘는 상황을 CEG로 표현하고, 관측된 학습 로그 데이터를 이용해 사후 확률을 계산한다. 두 사례 모두 기존 BN 기반 접근법보다 모델 적합도가 현저히 높으며, 해석적 투명성도 유지한다는 결과를 보여준다.

이 논문의 주요 기여는 다음과 같다. 첫째, CEG에 대한 베이지안 MAP 선택을 위한 폐쇄형 해를 제공함으로써, 복잡한 비대칭 모델에서도 실용적인 모델 선택이 가능함을 증명했다. 둘째, 동질성 가정이 제품 디리클레 사전을 유일하게 정의한다는 이론적 근거를 제시했다. 셋째, 실제 데이터에 적용 가능한 구체적인 알고리즘 흐름과 구현 팁을 제공함으로써, 연구자와 실무자가 CEG를 손쉽게 활용할 수 있는 길을 열었다. 향후 연구에서는 부분 표본(partial sampling) 상황이나 비동질적 사전 설정을 다루는 확장 모델이 필요하지만, 현재 결과만으로도 CEG가 비대칭 확률 모델링 분야에서 강력한 대안임을 확인할 수 있다.