체인 그래프 학습을 위한 최적 변환 이론

초록

본 논문은 Meek(1997)의 추측을 체인 그래프(Chain Graph)로 확장하고, 두 체인 그래프 G와 H 사이에 I(H)⊆I(G)일 때 G를 H로 변환할 수 있는 일련의 연산(유향·무향 간선 추가, Feasible Split, Feasible Merge)을 제시한다. 변환 과정에서 매 단계마다 H는 G가 나타내는 독립 모델의 I‑map으로 남는다. 이를 기반으로 효율적이고 점근적으로 일관된 체인 그래프 학습 알고리즘을 설계할 수 있음을 보인다.

상세 분석

이 논문은 확률적 그래프 모델 분야에서 가장 핵심적인 구조적 학습 문제 중 하나인 “그래프 변환 가능성”을 체인 그래프(혼합형 그래프)로 일반화한다. 기존 Meek 추측은 DAG(Directed Acyclic Graph) 사이에서 I(H)⊆I(G)이면 G를 H로 변환할 수 있다는 것을 증명했으며, 이는 Chickering(2002)의 효율적 구조 학습 알고리즘의 이론적 기반이 되었다. 저자는 이 결과를 체인 그래프라는 보다 넓은 클래스에 적용함으로써, 유향·무향 에지가 혼합된 모델에서도 동일한 변환 가능성을 확보한다.

핵심 기여는 두 가지 새로운 연산, 즉 Feasible Split(FbSplit)과 Feasible Merge(FbMerge)이다. FbSplit은 하나의 블록 K를 두 부분(K\L, L)으로 나누면서, 필요한 최소한의 간선을 사전에 추가해 분할이 “가능”(feasible)하도록 만든다. 여기서 “가능”이란 기존 그래프 구조와 독립성 모델을 보존하면서, 분할 후에도 여전히 체인 그래프의 정의를 만족한다는 의미이다. FbMerge는 두 블록 L과 R를 하나로 합치는 연산으로, 역시 사전 간선 추가를 통해 합병이 가능하도록 만든다. 두 연산 모두 I(G)와 I(H) 사이의 포함 관계를 유지하면서 그래프 구조를 점진적으로 변형한다는 점에서 기존의 단순한 간선 추가·삭제와 차별화된다.

알고리즘 Method B3는 이러한 연산을 조합해 G를 목표 그래프 H(또는 H와 동일한 독립성 모델을 갖는 MI‑map)로 변환한다. 먼저 Construct β 단계에서 현재 그래프 G와 목표 체인 α와의 일치 정도를 측정해, 가능한 한 α에 가깝게 β라는 보조 체인을 만든다. 이후 β와 α를 비교하면서, β의 왼쪽 블록을 순차적으로 FbSplit하고, 필요 시 FbMerge를 수행해 블록 순서를 α와 동일하게 만든다. 이 과정에서 각 단계마다 I(H)⊆I(G_t) (t는 현재 변환 단계) 가 유지됨을 Lemma 1‑4를 통해 엄밀히 증명한다.

특히 Lemma 2와 Lemma 3은 “최대 컴포넌트”와 “descendant 관계”에 대한 중요한 구조적 성질을 제공한다. Lemma 2는 I(H)⊆I(G)일 때, G의 임의 컴포넌트 C에 대해 H 안에서 C의 descendant를 포함하는 유일한 최대 컴포넌트를 보장한다. 이는 변환 과정에서 블록을 분할·합병할 때 충돌 없이 순서를 재배열할 수 있게 해준다. Lemma 3은 체인 α와의 정렬성을 이용해, G의 descendant가 α에서 왼쪽에 있지 않다면 H에서도 동일한 순서를 유지한다는 사실을 밝혀, 변환이 순서 위반 없이 진행될 수 있음을 보장한다.

전체 증명은 구성적(construction) 방식으로, Method B3가 실제로 유한 단계 내에 종료하고, 최종적으로 G를 α에 일치하는 MI‑map G_α 로 변환함을 보인다. 이는 “I(H)⊆I(G) ⇒ G →* H” 라는 확장된 Meek 추측을 완전히 입증한다. 결과적으로, 체인 그래프 학습에 있어 “스코어 기반 탐색 + 연산 집합(EdgeAdd, FbSplit, FbMerge)”이라는 프레임워크가 정당화되며, 기존 DAG 전용 학습 알고리즘을 일반화할 수 있는 이론적 토대를 제공한다.