고차원 데이터에서 외생 변수 탐색 방법

초록

본 논문은 변수 수가 관측치 수보다 훨씬 많은 고차원 환경(p≫n)에서, 전체 인과 구조를 추정하지 않고도 비가우시안 선형 인과 모델의 외생 변수를 효율적으로 식별하는 새로운 방법을 제안한다. 비가우시안성 측정을 이용해 외생 변수를 “트리거”로 정의하고, 적은 표본으로도 안정적인 식별이 가능함을 인공 데이터와 실제 유전자 발현 데이터 실험을 통해 입증한다.

상세 분석

이 연구는 기존 인과 탐색 방법이 p<n, 즉 변수보다 표본이 충분히 많은 상황에 최적화돼 왔다는 점을 지적한다. 고차원 유전체 데이터와 같이 p가 n보다 수십 배, 수백 배 큰 경우, 전통적인 구조 학습(예: PC 알고리즘, LiNGAM)은 차원 저주와 과적합으로 인해 신뢰할 수 없는 결과를 낳는다. 저자들은 이러한 한계를 극복하기 위해 “외생 변수”(exogenous variable)를 목표로 삼는다. 외생 변수는 인과 그래프에서 부모가 없으며, 다른 변수들을 통해 간접적으로 영향을 미치는 일련의 인과 사슬을 시작하는 역할을 한다. 따라서 외생 변수를 정확히 찾으면, 전체 네트워크를 완전 복원하지 않아도 핵심 인과 흐름을 파악할 수 있다.

핵심 아이디어는 비가우시안성에 기반한다. 선형 비가우시안 인과 모델(LiNGAM)의 가정에 따라 각 변수는 독립적인 비가우시안 잡음과 선형 결합으로 표현된다. 외생 변수는 자체 잡음만을 포함하므로, 그 분포는 다른 변수들의 혼합에 의해 왜곡되지 않는다. 저자들은 독립 성분 분석(ICA)과 고차 모멘트(예: 꼬리, 왜도, 첨도)를 활용해 각 변수의 비가우시안 정도를 정량화하고, 가장 높은 비가우시안성을 보이는 변수를 외생 후보로 선정한다. 이 과정은 전체 구조 추정이 필요 없으며, 변수마다 독립적으로 수행되므로 계산 복잡도가 O(p) 수준에 머문다.

또한 표본 크기가 작아도 비가우시안성 통계량은 중심극한정리의 영향을 크게 받지 않아, p≫n 상황에서도 안정적인 추정이 가능하다. 저자들은 샘플 수가 변수 수의 1/10 수준일 때도 외생 변수 식별 정확도가 80% 이상 유지된다는 실험 결과를 제시한다. 그러나 몇 가지 제한점도 존재한다. 첫째, 모델이 선형이고 비가우시안 잡음이 독립적이라는 가정이 위배될 경우, 외생 변수와 비외생 변수를 구분하기 어려워진다. 둘째, 외생 변수가 여러 개일 경우, 비가우시안성 순위만으로는 정확히 구분하기 힘들어 추가적인 정규화 절차가 필요하다. 셋째, 변수 간 강한 상관관계가 존재하면 ICA 기반 비가우시안성 추정이 불안정해질 수 있다. 이러한 점들을 보완하기 위해 저자들은 사전 차원 축소(PCA)와 변수 선택 전처리를 권장한다.

전반적으로 이 논문은 고차원 데이터에서 인과 탐색의 새로운 패러다임을 제시한다. 전체 그래프를 복원하려는 전통적 접근 대신, 핵심 트리거 역할을 하는 외생 변수를 식별함으로써 실험 설계와 후속 분석을 크게 효율화한다는 점이 가장 큰 공헌이다.