트레크 분리와 가우시안 그래프 모델의 저계수 구조

초록

본 논문은 혼합 그래프(유향·무향 그래프 포함)에서 공분산 행렬의 부분행렬이 낮은 계수를 갖는 정확한 그래프 이론적 조건을 제시한다. 기존의 d‑분리 기준을 일반화한 ‘트레크 분리’ 기준을 도입해, 트레크 규칙과 행렬 분해, 그리고 경로 다항식의 행렬식 전개에 관한 고전 조합론 정리를 활용한다. 이를 통해 어떤 정점 집합 쌍이 공분산의 저계수 서브블록을 만들 수 있는지를 그래프 구조만으로 판단할 수 있다.

상세 분석

논문은 먼저 가우시안 그래픽 모델을 양의 정부호 공분산 행렬의 반대다항적 부분집합으로 정의하고, 이러한 모델에서 조건부 독립성은 공분산 행렬의 특정 서브블록이 영 행렬이 되는 형태로 표현한다는 점을 강조한다. 기존의 d‑separation은 유향 비순환 그래프(DAG)에서 변수 집합 사이의 조건부 독립성을 판별하는 데 쓰였지만, 혼합 그래프에서는 방향과 무방향 에지가 동시에 존재하므로 d‑separation만으로는 충분하지 않다. 저자들은 ‘트레크(trek)’라는 개념을 도입한다. 트레크는 두 정점을 연결하는 경로들의 집합으로, 각각의 경로는 ‘왼쪽’과 ‘오른쪽’ 부분으로 나뉘며, 공통 조상(또는 공통 후손)에서 갈라지는 형태를 가진다. 트레크 규칙에 따르면, 공분산 행렬의 (i,j) 원소는 i와 j 사이의 모든 트레크에 대한 가중치 곱의 합으로 전개된다.

이 트레크 전개를 이용해 저자들은 공분산 행렬을 두 개의 행렬 곱으로 분해한다. 첫 번째 행렬은 각 정점에서 조상까지의 경로 가중치를, 두 번째 행렬은 조상에서 각 정점까지의 경로 가중치를 담는다. 이렇게 하면 특정 정점 집합 A와 B에 대한 서브행렬 Σ_{A,B}는 A‑쪽 행렬과 B‑쪽 행렬의 곱으로 표현되며, 그 행렬식은 A와 B 사이에 존재하는 트레크들의 조합으로 전개된다. 여기서 중요한 점은, 만약 A와 B 사이에 ‘트레크 분리’가 존재한다면, 즉 A와 B를 동시에 통과하는 트레크가 일정한 작은 정점 집합 S(‘트레크 차단 집합’)를 통해서만 연결된다면, Σ_{A,B}의 랭크는 |S| 이하가 된다.

트레크 차단 집합 S의 최소 크기가 바로 해당 서브행렬의 최대 가능한 랭크와 일치한다는 것이 논문의 핵심 정리이다. 이를 증명하기 위해 저자들은 고전적인 알제브라적 조합론, 특히 ‘루시엔스(Lindström)–게르베르(Gessel–Viennot) 정리’를 활용한다. 이 정리는 비가중 경로들의 행렬식 전개를 비교가능한 비가중 경로 집합의 수와 연결시켜 주며, 트레크 규칙에 가중치를 부여한 형태로 일반화될 수 있다. 결과적으로, 트레크 분리 기준은 d‑separation을 포함하는 더 일반적인 그래프 이론적 도구가 된다.

또한 논문은 이론적 결과를 실제 모델링에 적용하는 방법도 제시한다. 예를 들어, 혼합 그래프에서 특정 변수 집합이 다른 변수 집합에 대해 저계수(즉, 낮은 차원) 공분산 구조를 갖는 경우, 이는 해당 변수들 사이에 숨겨진 잠재 변수(또는 공통 원인)가 존재함을 의미한다. 트레크 분리 기준을 통해 이러한 잠재 구조를 그래프 수준에서 식별하고, 모델 식별성(identifiability) 및 파라미터 추정의 복잡성을 분석할 수 있다.

요약하면, 이 논문은 트레크 전개와 행렬식 전개 기법을 결합해, 혼합 그래프에서 공분산 서브행렬의 랭크를 정확히 예측하는 그래프‑이론적 기준을 제공한다. 이는 기존의 조건부 독립성 판별 방법을 확장하고, 복잡한 통계 모델의 구조적 특성을 이해하는 데 강력한 도구가 된다.