베이지안 추론을 통한 가우시안 혼합 그래프 모델

초록

본 논문은 비순환 방향성 혼합 그래프(ADMG)로 정의되는 가우시안 모델에 대한 베이지안 사전분포와 추론 알고리즘을 제시한다. Monte Carlo와 변분 근사를 이용해 사후분포를 계산하고, 특히 식별 불가능한 인과효과를 사전 지식과 결합해 추정할 수 있음을 보인다.

상세 분석

본 연구는 비순환 방향성 혼합 그래프(acyclic directed mixed graph, ADMG)라는 구조적 표현을 기반으로, 가우시안 확률 모델에 대한 베이지안 추론 체계를 구축한다. ADMG는 방향성(edge)와 양방향성(bi‑directed) 에지를 모두 허용함으로써, 관측되지 않은 교란 변수에 의해 발생하는 조건부 독립성을 자연스럽게 포착한다. 이러한 그래프는 마진화에 대해 닫혀 있어, 부분 변수만을 관측하더라도 모델의 구조적 일관성을 유지한다는 장점이 있다.

논문은 먼저 ADMG에 대한 사전분포를 설계한다. 구체적으로, 각 변수의 회귀계수에 대해 정규 사전, 오차 공분산에 대해 역와이시트 사전, 그리고 양방향 에지에 의해 형성되는 잠재 공분산 구조에 대해 스케일 매트릭스와 자유도 파라미터를 포함하는 적절한 사전(예: 인버스와이시트) 를 도입한다. 이러한 사전은 그래프 구조와 파라미터 공간을 동시에 고려하도록 설계되어, 구조적 불확실성을 자연스럽게 반영한다.

추론 단계에서는 두 가지 접근법을 제시한다. 첫째, Gibbs 샘플링 기반의 마코프 체인 몬테카를로(MCMC) 방법으로, 각 파라미터 블록을 조건부 사후분포에서 직접 샘플링한다. 이때 ADMG의 구조적 제약(예: 양방향 에지는 공분산 행렬의 특정 블록을 강제) 을 이용해 효율적인 블록 업데이트를 수행한다. 둘째, 변분 베이지안 방법을 도입해 사후분포를 평균장(mean‑field) 형태로 근사한다. 변분 파라미터는 좌표 상승법으로 최적화되며, 특히 공분산 행렬에 대한 구조적 제약을 라그랑주 승수 형태로 포함시켜 근사 정확도를 높인다.

핵심 응용으로는 식별 불가능한 인과효과의 추정이 있다. 전통적인 구조적 방정식 모델에서는 교란이 존재할 경우 특정 인과효과를 데이터만으로는 식별할 수 없지만, 베이지안 프레임에서는 교란에 대한 사전 지식을 사전분포에 반영함으로써 사후분포를 통해 효과를 추정한다. 실험에서는 시뮬레이션 데이터와 실제 사회과학 데이터에 대해, 사전 정보가 충분히 강할 경우 인과효과의 사후 평균이 실제 값에 근접함을 보였다.

전체적으로 이 논문은 ADMG 기반 가우시안 모델에 대한 베이지안 사전·사후 체계를 최초로 체계화했으며, MCMC와 변분 근사를 동시에 제공함으로써 정확도와 계산 효율성 사이의 트레이드오프를 사용자가 선택하도록 한다. 또한, 교란에 대한 사전 지식 활용을 통해 인과 추론의 범위를 확장한다는 점에서 인과 통계와 베이지안 네트워크 분야에 중요한 기여를 한다.