MAUC 기반 다중 클래스 분류를 위한 새로운 필터형 특징 선택 기법

초록

본 논문은 다중 클래스 분류에서 성능 지표로 널리 쓰이는 MAUC를 최대화하기 위해 설계된 필터형 특징 선택 방법인 MDFS를 제안한다. 기존의 정확도 중심 특징 선택 기법은 MAUC 최적화에 부적합하며, 대부분 이진 분류에만 적용 가능했다. MDFS는 MAUC를 이진 ROC 곡선들의 조합으로 분해한 뒤, 각 이진 문제에 대한 특징 중요도를 계산하고 이를 종합해 최종 특징 순위를 산출한다. 실험 결과, MDFS는 여러 비교 방법보다 MAUC 향상에 크게 기여함을 보였다.

상세 분석

MDFS는 MAUC를 “One‑vs‑One” 방식으로 분해하여 각 클래스 쌍에 대한 이진 ROC 곡선의 AUC를 개별적으로 최적화하는 아이디어에 기반한다. 구체적으로, 전체 K‑class 문제를 K(K‑1)/2개의 이진 서브문제로 나눈 뒤, 각 서브문제에 대해 기존의 필터형 지표(예: χ², 정보이득, ReliefF 등)를 적용해 특징의 기여도를 측정한다. 이후, 각 특징에 대해 서브문제별 기여도를 가중 평균하거나 최대값을 취해 최종 점수를 산출한다. 이때 가중은 클래스 쌍의 빈도나 중요도에 따라 조정 가능하며, 논문에서는 균등 가중을 기본 설정으로 사용하였다.

핵심적인 기술적 차별점은 두 가지이다. 첫째, MAUC를 직접 목표 함수로 삼아 특징 선택을 수행한다는 점이다. 기존 방법들은 정확도 향상을 목표로 하면서 MAUC가 부수적인 결과로 나타나는 경우가 많아, 클래스 불균형이나 비용 민감도가 높은 상황에서 성능 저하가 발생한다. MDFS는 MAUC 분해 구조를 활용해 각 이진 서브문제에서의 순위를 유지함으로써, 전체 MAUC를 보존하거나 향상시킨다. 둘째, 완전한 필터 방식이라는 점이다. 모델‑의존적 래퍼나 임베디드 방식과 달리, MDFS는 학습 단계와 무관하게 사전 처리 단계에서 빠르게 특징을 평가한다. 이는 대규모 데이터셋이나 실시간 시스템에 적합한 장점을 제공한다.

실험 설계는 UCI와 KEEL 등에서 수집한 10개 이상의 다중 클래스 데이터셋을 대상으로, 5가지 기존 필터(χ², 정보이득, Gain Ratio, ReliefF, MRMR)와 2가지 래퍼(Recursive Feature Elimination, Genetic Algorithm)와 비교하였다. 평가 지표는 MAUC와 함께 전통적인 정확도, F1‑score, 그리고 실행 시간도 보고하였다. 결과는 대부분의 경우 MDFS가 MAUC 측면에서 3~7%p의 절대적 향상을 보였으며, 정확도는 기존 방법과 동등하거나 약간 낮은 수준을 유지했다. 특히 클래스 불균형이 심한 데이터셋에서 MDFS의 우수성이 두드러졌다. 시간 복잡도 측면에서는 O(K²·N·M) (K: 클래스 수, N: 샘플 수, M: 특징 수) 형태를 가지며, 실제 실행 시간은 비교 대상 중 가장 빠른 편에 속했다.

한계점으로는 (1) 가중 평균 방식이 모든 상황에 최적이 아닐 수 있다는 점, (2) 서브문제 수가 클래스 수의 제곱에 비례해 증가하므로 클래스가 매우 많은 경우 계산 비용이 급증한다는 점을 들 수 있다. 향후 연구에서는 가중을 학습 기반으로 자동 조정하거나, 서브문제 샘플링 기법을 도입해 효율성을 높이는 방안을 제시한다.

요약하면, MDFS는 MAUC를 직접 목표로 하는 최초의 필터형 특징 선택 방법으로, 다중 클래스 분류에서 성능-효율성 균형을 크게 개선한다는 점에서 학계·산업계 모두에게 의미 있는 기여를 한다.