혼합 그래프의 마코프 성질 통합

초록

본 논문은 루프가 없는 혼합 그래프(LMG)와 그 하위 클래스인 리본 없는 그래프를 도입하여, m‑분리 기준으로 정의된 독립 모델이 항상 구성적 그래프(Compositional Graphoid)임을 보인다. 특히 최대(maximal) 리본 없는 그래프에 대해 쌍별 마코프 성질과 전역 마코프 성질이 동등함을 증명함으로써, 그래프의 결측 엣지가 정확히 조건부 독립을 나타냄을 확인한다.

상세 분석

논문은 먼저 기존에 다양한 형태로 제시된 그래프 기반 마코프 모델(무향 그래프, 양방향 그래프, DAG, 조상 그래프, 요약 그래프 등)을 하나의 프레임워크로 묶기 위해 “루프가 없는 혼합 그래프”(Loopless Mixed Graph, LMG)라는 새로운 그래프 클래스를 정의한다. LMG는 선형(edge), 화살표(arrow), 호(arc) 세 종류의 엣지를 허용하지만 자기 자신을 연결하는 루프는 금지한다. 이러한 제약은 그래프 이론적 복잡성을 최소화하면서도 실제 통계 모델링에 필요한 모든 의존 구조를 표현할 수 있게 한다.

핵심 기술은 LMG 위에서 적용되는 m‑분리(m‑separation) 기준이다. m‑분리는 기존의 d‑분리와 m‑분리를 일반화한 것으로, 경로상의 콜라이더와 비콜라이더를 구분하고, 조건부 독립을 판단한다. 저자는 모든 LMG에 대해 m‑분리로 유도된 독립 모델이 ‘구성적 그래프(Compositional Graphoid)’의 여섯 가지 공리를 만족함을 정리 3.1에서 증명한다. 이는 대칭, 분해, 약한 합집합, 수축, 교차, 그리고 구성 공리를 모두 포함한다는 의미이며, 특히 확률적 모델(특히 정규분포)에서 독립 관계가 그래프 구조와 완전히 일치함을 보장한다.

그 다음 저자는 LMG의 중요한 하위 클래스인 ‘리본 없는 그래프(Ribbonless Graph)’를 정의한다. 리본 없는 그래프는 선(edge)와 화살표가 교차하면서도 특정한 “리본”(두 개의 선이 같은 콜라이더를 공유하면서도 서로 연결되지 않은 구조)을 포함하지 않는다. 이 클래스는 무향 그래프, 양방향 그래프, DAG, 조상 그래프, 요약 그래프 등을 모두 포함한다는 점에서 매우 포괄적이다.

리본 없는 그래프에 대해 ‘최대성(maximality)’ 개념을 도입한다. 최대 리본 없는 그래프란 현재의 엣지를 추가하면 m‑분리 독립 모델이 변하는 그래프를 의미한다. 저자는 최대성이 항상 보장되지 않으며, 추가 엣지가 독립 모델을 바꾸지 않을 경우를 구체적인 예와 함께 제시한다.

가장 중요한 결과는 정리 6.1(주요 정리)이다. 여기서는 최대 리본 없는 그래프에 대해 ‘쌍별 마코프 성질(pairwise Markov property)’과 ‘전역 마코프 성질(global Markov property)’이 동등함을 증명한다. 쌍별 마코프는 그래프의 결측 엣지가 해당 두 변수 사이의 조건부 독립을 의미하고, 전역 마코프는 임의의 변수 집합 사이의 독립을 m‑분리로 판정한다. 두 성질이 동등함을 보인 것은 구성적 그래프라는 공리 체계가 충분히 강력함을 의미한다. 즉, 그래프의 시각적 구조만으로 모든 독립 관계를 완전하게 파악할 수 있다.

증명 과정에서는 먼저 전역 마코프가 쌍별 마코프를 함축한다는 방향을 전통적인 방법(분리 정리)으로 보이고, 반대 방향에서는 구성 공리 중 ‘구성(composition)’과 ‘교차(intersection)’를 활용해 결측 엣지들의 집합이 전체 독립 모델을 생성함을 보인다. 또한, 전임자(anterior) 경로와 리본 없는 그래프의 특수 구조를 이용해 경로의 연결성을 유지하면서도 불필요한 콜라이더를 제거하는 기법을 도입한다.

이 논문의 의의는 다음과 같다. 첫째, 다양한 기존 그래프 모델을 하나의 통합된 이론으로 묶음으로써 연구자들이 서로 다른 모델을 비교·전환할 때 발생하는 개념적 혼란을 최소화한다. 둘째, 구성적 그래프라는 강력한 공리 체계가 m‑분리와 결합될 때, 그래프 이론와 확률론 사이의 다리 역할을 수행한다는 점을 명확히 한다. 셋째, 최대 리본 없는 그래프에 대한 쌍별·전역 마코프 동등성은 실무에서 그래프를 설계하거나 학습할 때, 결측 엣지만 확인하면 전체 독립 구조를 알 수 있다는 실용적 가치를 제공한다.