학습 가능한 평면 이징 모델

본 논문은 그래프ical 모델 중 이진 변수와 쌍별 상호작용을 갖는 이징 모델을 대상으로, 평면 그래프라는 제한된 구조 안에서 정확한 추론과 효율적인 학습을 동시에 달성하는 방법을 제시한다. 서론에서는 일반적인 그래프 모델에서 추론이 NP‑hard임을 언급하고, 트리와 저차 트리폭 그래프가 기존에 많이 연구된 반면, 평면 그래프는 물리학에서 Kac‑Ward와 Kasteleyn이 제시한 행렬식 기반 방법으로 정확히 풀 수 있음을 소개한다. 이를 바탕으로 두 가지 연구 목표를 설정한다: (1) 주어진 평면 그래프에 대해 제로‑필드 이징 모델의 최대우도 파라미터를 찾는 방법, (2) 데이터에 가장 적합한 평면 그래프 구조를 선택하는 휴리스틱 알고리즘. 2절에서는 기본 개념을 정리한다. 확률분포의 엔트로피와 KL 발산, 로그‑우도 정의를 통해 최대우도 추정이 로그‑분할함수 Φ(θ)의 최적화와 동치임을 설명한다. 이징 모델을 지수계열 가족으로 표현하고, 제로‑필드(θ_i=0)와 제로‑평균(μ_i=0)의 동등성을 제시한다. 또한, 제로‑필드 모델을 외부 평면 그래프에 확장하는 방법을 제안하여, 비제로 평균을 갖는 경우에도 보조 노드 하나를 추가하면 평면성 유지가 가능함을 증명한다. 3절은 핵심 알고리즘을 제시한다. 먼저, 주어진 평면 그래프 G에 대해 로그‑분할함수 Φ(θ)를 Kac‑Ward 행렬식 공식으로 계산한다. 행렬 W는 각 에지의 tanh(θ_ij)와 각도 φ_ijk 로 구성되며, det(I‑W) 의 제곱근이 Z와 연결된다. 이를 이용해 Φ와 그 그라디언트 μ_ij, 해시안 H_ijkl 를 명시적으로 구한다. 뉴턴 방법을 적용해 θ를 업데이트하고, 라인 서치로 스텝 크기를 조정한다. 복잡도는 그라디언트 O(n³⁄²), 해시안 O(n³)이며, 해시안을 몇 번만 재계산해도 충분히 빠른 수렴을 보인다. 다음으로 그래프 구조 선택을 다룬다. 모든 가능한 평면 그래프를 탐색하는 것은 비현실적이므로, 그리디 전략을 채택한다. 초기에는 빈 그래프에서 시작해, 현재 그래프에 새로운 에지를 삽입했을 때 로그‑우도 향상이 가장 큰 에지를 선택한다. 삽입 전후의 평면성 검사는 Chrobak‑Payne 알고리즘을 이용해 O(n) 시간에 수행한다. 이 과정을 에지가 더 이상 추가되지 않을 때까지 반복한다. 외부 평면 그래프에 대해서는 제로‑필드 변환 없이도 동일한 추론 절차가 적용 가능하도록, 보조 노드 추가와 평면성 유지 조건을 명시한다. 4절에서는 시뮬레이션 결과를 보고한다. 무작위로 생성한 평면 그래프와 트리 그래프를 비교했을 때, 동일한 파라미터 수(에지 수)에서도 평면 모델이 더 높은 로그‑우도와 낮은 KL 발산을 기록했다. 또한, 외부 평면 모델은 비제로 평균을 정확히 복원했으며, 뉴턴 최적화가 10~15회 반복으로 수렴함을 확인했다. 5절에서는 미국 상원 투표 데이터를 적용한다. 100명의 상원의원에 대해 500개의 법안 투표를 이진화하고, 에지 가중치를 투표 동조성(상관관계)으로 설정한다. 학습된 평면 그래프는 주요 정당과 이념적 파벌을 구분하는 클러스터를 형성했으며, 트리 모델보다 더 풍부한 연결성을 제공했다. 마지막으로 결론에서는 평면 이징 모델의 계산 효율성, 외부 평면 확장의 일반성, 그리고 향후 비평면 고차 트리폭 그래프나 비이진 변수 확장 가능성을 언급한다.