안정적인 혼합 그래프와 리본 없는 그래프 이론

초록

본 논문은 DAG(Directed Acyclic Graph)를 관측되지 않은 변수에 대해 마진화하고 선택 변수에 대해 조건화한 뒤에도 독립성 구조를 그대로 유지할 수 있는 세 종류의 혼합 그래프—MC 그래프, 요약 그래프(SG), 조상 그래프(AG)—를 통합·확장한 ‘리본 없는 그래프(RG)’를 제안한다. RG는 m‑separation 기준을 그대로 적용할 수 있으며, DAG로부터 알고리즘적으로 생성·변환이 가능함을 보인다.

상세 분석

논문은 먼저 기존의 MC 그래프가 m‑separation 대신 별도의 분리 기준을 사용한다는 한계를 지적하고, 이를 보완하기 위해 ‘리본 없는 그래프(RG)’라는 새로운 클래스(Lo‑loopless Mixed Graph, LMG의 서브클래스)를 정의한다. RG는 세 종류의 에지(방향성 화살표, 양방향 호, 무방향 선)를 허용하면서도 ‘리본(ribbon)’이라 불리는 특정 V‑구조(두 부모가 서로 연결되지 않고, 내부 정점이 선이나 방향 보존 사이클에 포함되는 경우)를 금지한다. 이 제약은 그래프가 m‑separation 기준에 의해 독립성 모델을 정확히 기술하도록 보장한다.

핵심 정리는 다음과 같다.

1. 생성 가능성: 임의의 DAG에 대해 마진화(M)와 조건화(C)를 적용하면, 반드시 하나의 RG가 존재하여 그 그래프가 α(J_m(G); M, C)와 동일한 독립성 모델을 나타낸다. 즉, RG는 DAG의 마진·조건 연산에 대해 ‘안정(stable)’한 클래스이다.
2. 알고리즘: 저자는 (i) 기존 RG에서 새로운 M, C 집합을 적용해 또 다른 RG를 만들고, (ii) 이 과정을 반복해 SG와 AG를 각각 생성하는 다단계 알고리즘을 제시한다. 모든 단계는 다항 시간 복잡도를 가지며, 에지 추가·삭제 규칙이 명확히 정의돼 있다(예: 리본을 제거하기 위해 내부 정점 사이에 선을 삽입하고, 루프를 없앤다).
3. 이론적 일관성: RG, SG, AG 각각에 대해 m‑separation이 독립성 모델을 완전하게 기술한다는 정리를 증명한다. 또한, ‘조건·마진 연산의 순서 독립성’(M과 C를 나눠 순차 적용해도 동일 결과)과 ‘클래스 내부 폐쇄성’(연산 후에도 같은 클래스에 머무름)을 보인다.
4. 관계 분석: RG는 SG와 AG를 포함하는 상위 클래스이며, UG(무방향 그래프)와 BG(양방향 그래프)도 각각 RG의 특수 경우로 위치한다. 반면, 순수 DAG는 마진·조건 연산에 대해 불안정하므로, DAG를 직접 사용하려면 추가적인 숨은 변수나 선택 변수를 도입해야 한다는 점을 강조한다.

이러한 결과는 그래프 이론과 통계 모델링 사이의 연결 고리를 강화한다. 특히, 인과 추론, 베이지안 네트워크, 구조 학습 등에서 관측되지 않은 변수와 선택 편향을 다룰 때, RG 기반의 모델링이 기존 DAG 기반 접근법보다 더 견고하고 해석 가능함을 시사한다.