베이지안 네트워크 핵심 그래프 학습을 위한 효율적 알고리즘

초록

본 논문은 기존 MMPC/​MMHC 프레임워크에 세 가지 주요 개선을 도입해, 불필요한 에지 방향 지정 과정을 제거하고, 조건부 독립성 판단의 논리적 일관성을 확보하며, 신실성(faithfulness) 가정이 위배되는 경우에도 부분적으로 대응할 수 있는 알고리즘을 제시한다. 이를 통해 데이터로부터 본질 그래프(essential graph)를 직접 추출함으로써 계산 비용을 크게 절감한다.

상세 분석

MMHC 알고리즘은 두 단계, 즉 MMPC를 통한 스켈레톤 탐색과 그 후의 에지 방향 지정으로 구성된다. 두 번째 단계는 가능한 DAG들을 탐색하면서 조건부 독립성 검정을 반복해야 하므로 계산량이 급격히 증가한다는 것이 기존 연구들의 공통된 지적이다. 저자들은 첫 번째 단계에서 이미 ‘불법성(immorality)’ 정보를 추출함으로써 전체 마코프 구조를 완전하게 복원할 수 있음을 보였다. 불법성은 ‘X → Z ← Y’ 형태의 구조로, 이는 반드시 방향이 고정된 에지이며, 이러한 정보를 이용해 CPDAG(Completed Partially Directed Acyclic Graph), 즉 본질 그래프를 바로 구성한다면 별도의 방향 지정 단계가 불필요해진다.

두 번째 개선점은 독립성 검정 결과의 논리적 일관성 문제이다. 기존 MMPC는 ‘귀무가설을 기각하지 않음’을 ‘독립성 수용’으로 해석한다데 반해, 실제 데이터에서는 기각되지 않은 검정이 오류 가능성을 내포한다. 저자는 이러한 모순을 방지하기 위해, 새로 발견된 독립성 선언이 기존에 거부된 독립성 집합과 충돌할 경우 해당 변수쌍을 후보 집합에서 제외하고, 필요 시 재검정을 수행하는 절차를 제안한다. 이는 탐색 공간을 축소하면서도 오류 전파를 억제한다.

세 번째 개선은 신실성 가정 위배 상황에 대한 대응이다. 신실성은 모든 독립성 관계가 그래프 구조에 의해 완전히 설명된다는 전제이며, 실제 데이터에서는 구조적 비신실성(예: 파라미터 조정에 의한 독립성)이 발생할 수 있다. 저자는 이러한 경우를 감지하기 위해, MMPC 단계에서 발견된 불법성 집합과 전체 독립성 테스트 결과 사이의 불일치를 체크한다. 불일치가 감지되면, 해당 불법성을 보류하고, 대신 ‘가능한 방향’ 후보를 유지함으로써 부분적인 비신실성에도 그래프를 구축할 수 있게 한다. 다만, 완전한 비신실성 상황에서는 여전히 정확한 본질 그래프 복원이 불가능함을 인정한다.

이러한 세 가지 수정은 알고리즘의 시간 복잡도를 크게 낮추면서도, 결과 그래프의 정확성을 유지하거나 향상시킨다. 실험 결과는 기존 MMHC 대비 에지 방향 지정 단계에서 소요되는 시간은 70~90% 감소했으며, 논리적 일관성을 강화한 후의 구조 회수율도 소폭 상승함을 보여준다. 그러나 비신실성 데이터에 대한 완전한 해결책은 아직 남아있으며, 향후 연구에서는 보다 일반적인 비신실성 모델링과 결합된 학습 프레임워크가 필요하다.