개미군집 최적화 기반 베이지안 네트워크 등가 클래스 학습

초록

본 논문은 베이지안 네트워크 구조 학습을 위해 등가 클래스 공간을 탐색하는 새로운 메타휴리스틱 알고리즘 ACO‑E를 제안한다. 전통적인 개미군집 최적화(ACO)에 두 가지 확장을 적용해 다중 이동 유형을 허용하고, 그래프 노드가 아닌 인덱스로 이동을 정의한다. 실험 결과, ACO‑E는 탐욕적 탐색 및 최신 메타휴리스틱 기법보다 높은 구조 정확도와 점수를 달성한다.

상세 분석

베이지안 네트워크(BN)의 구조 학습은 NP‑hard 문제이며, 특히 등가 클래스(equivalence class) 공간에서의 탐색은 DAG(Directed Acyclic Graph) 수준보다 더 효율적이다. 기존 연구는 주로 점수 기반 탐욕적 방법이나 MCMC, 진화 알고리즘을 사용했지만, 탐색 효율성이나 지역 최적 해에 머무르는 문제를 안고 있었다. 논문은 이러한 한계를 극복하기 위해 Ant Colony Optimization(ACO)의 메커니즘을 등가 클래스 공간에 맞게 재설계한다. 첫 번째 확장은 “다중 이동 유형”이다. 전통적인 ACO는 한 단계에 한 개의 에지 추가·삭제·반전만을 허용하지만, ACO‑E는 삽입, 삭제, 반전, 그리고 “스와핑”(두 노드 간 관계 교환) 등 네 가지 이동을 동시에 고려한다. 이는 탐색 그래프의 차원을 크게 확장해 더 다양한 경로를 탐색하게 한다. 두 번째 확장은 “인덱스 기반 이동 정의”이다. 기존 ACO는 그래프의 각 노드를 탐색 그래프의 정점으로 매핑했지만, ACO‑E는 등가 클래스의 CPDAG(Completed Partially Directed Acyclic Graph) 구조를 인덱스 집합으로 표현한다. 이렇게 하면 이동이 직접적으로 구조적 변화를 반영하고, 페이로드(pheromone)와 휴머리틱(heuristic) 정보가 보다 정밀하게 업데이트된다. 페이로드는 각 이동 유형별로 별도 저장되며, 점수 함수(예: BDeu, BIC)와 연계된 강화 학습 규칙을 통해 적응적으로 강화된다. 또한, 탐색 초기에 높은 탐험 비율을 유지하고, 반복이 진행될수록 탐욕적 선택 비율을 늘리는 동적 파라미터 스케줄링을 도입해 수렴 속도를 높인다. 실험에서는 표준 베이지안 네트워크 벤치마크(Alarm, Barley, Hailfinder 등)를 사용해 ACO‑E와 Greedy Equivalence Search(GES), Tabu Search, Genetic Algorithms, 그리고 기존 ACO 변형을 비교하였다. 결과는 ACO‑E가 평균 구조 Hamming distance와 점수 측면에서 유의미하게 우수함을 보여준다. 특히, 복잡도가 높은 네트워크에서 탐색 효율성이 두드러졌으며, 페이로드 업데이트가 과적합을 방지하는 역할을 함을 확인했다. 이 논문은 ACO를 등가 클래스 공간에 맞게 재구성함으로써 메타휴리스틱의 탐색 능력을 크게 향상시켰으며, 베이지안 네트워크 학습 분야에 새로운 설계 패러다임을 제시한다.