시간적 의사결정 규칙 생성 및 해석

초록

본 논문은 시계열 관측값들의 연속을 이해하기 위해, 조건 속성을 결정 속성의 관측 시점과 다른 시점에서 활용하는 시간적 의사결정 규칙을 생성하고, 이를 TIMERS라는 해석 프레임워크로 분석한다. 규칙 집합을 통해 즉시적, 비인과적, 혹은 인과 가능 관계를 구분하며, 합성 및 실제 데이터 실험을 통해 방법의 유효성을 입증한다.

상세 분석

본 연구는 시계열 데이터에서 “무엇이 언제 일어났는가”를 파악하고자 하는 근본적인 문제에 접근한다. 전통적인 정적 의사결정 트리나 규칙 기반 학습은 시간적 의존성을 무시하거나 단순히 현재 시점의 속성만을 사용한다는 한계가 있다. 저자들은 이러한 한계를 극복하기 위해 ‘시간적 의사결정 규칙(Temporal Decision Rule, TDR)’이라는 개념을 도입한다. TDR은 결정 속성(decision attribute)의 값이 관측되는 시점 t₀와는 다른 시점 t₁, t₂,…에 존재하는 조건 속성(condition attributes)을 활용해 결정값을 예측(predict)하거나 회귀(retrodict)한다는 점에서 기존 규칙과 차별화된다.

핵심 아이디어는 규칙 집합을 구성한 뒤, 이를 해석하는 ‘Temporal Investigation Method for Enregistered Record Sequences (TIMERS)’를 적용해 관계 유형을 구분하는 것이다. TIMERS는 규칙 집합을 분석하여 세 가지 관계를 정의한다. 첫째, 즉시적 관계는 조건 속성과 결정 속성이 동일 시점에 존재할 때 성립한다. 둘째, 비인과적 관계는 조건 속성이 결정 속성보다 뒤에 나타나지만, 통계적 상관관계만 존재하고 인과성을 주장할 근거가 부족한 경우를 의미한다. 셋째, 가능한 인과 관계는 조건 속성이 결정 속성보다 앞서며, 규칙의 신뢰도와 지원도가 충분히 높아 인과성을 추정할 수 있는 경우이다. 이러한 구분은 단순히 상관관계를 넘어 시간적 순서를 고려한 인과 추론을 가능하게 한다.

규칙 생성 단계에서는 기존의 의사결정 트리 알고리즘을 시간 차원을 포함하도록 확장한다. 구체적으로, 데이터 레코드를 시간 윈도우로 나누어 각 윈도우 내에서 조건-결정 쌍을 매핑하고, 최소 지원도와 신뢰도 임계값을 만족하는 규칙을 추출한다. 이때, ‘앞선 시점’과 ‘후행 시점’의 조합을 모두 탐색함으로써 잠재적인 인과 방향성을 포괄한다. 또한, 규칙의 중복을 최소화하고 해석 가능성을 높이기 위해 규칙 간의 포함 관계를 정리하는 사후 처리 과정을 도입한다.

실험에서는 합성 데이터와 실제 도메인 데이터(예: 의료 모니터링, 제조 공정 로그)를 사용해 TIMERS의 성능을 검증한다. 합성 실험에서는 인위적으로 인과 구조를 설계하고, 제안 방법이 정확히 해당 구조를 복원함을 보였다. 실제 데이터에서는 규칙 집합이 도메인 전문가가 기대하는 인과 관계와 일치하거나, 새로운 통찰을 제공함을 확인했다. 특히, 비인과적 관계를 식별함으로써 과도한 인과 추론을 방지하고, 가능한 인과 관계에 대해서는 추가 실험 설계나 정책 결정에 활용할 근거를 제공한다.

한계점으로는 시간 윈도우 크기 선택에 대한 민감도, 다중 결정 속성에 대한 확장성 부족, 그리고 대규모 고차원 시계열에서의 계산 복잡도가 있다. 향후 연구에서는 자동 윈도우 최적화, 다변량 인과 네트워크 구축, 그리고 딥러닝 기반의 시간적 특징 추출과 결합하는 방향을 제시한다. 전반적으로, 본 논문은 시간적 의사결정 규칙이라는 새로운 표현을 통해 시계열 데이터의 인과 구조를 체계적으로 탐색하고 해석할 수 있는 실용적인 프레임워크를 제공한다.