전문가 지식 기반 베이지안 네트워크 자동 미세조정

초록

전문가가 수작업으로 만든 베이지안 네트워크를 초기 구조로 삼고, 삽입·제거·역전 세 가지 연산을 무작위로 적용해 작은 변형을 가한다. 각 변형 후 학습 데이터로 파라미터를 재추정하고, 정확도(CCI)를 기준으로 가장 좋은 모델을 선택한다. 프로스테이트 암과 유방암 두 도메인에서 원본 모델 대비 5~15%p 정도 성능 향상을 보였으며, 기존 자동 학습 도구(K2, TAN)보다도 경쟁력 있는 결과를 얻었다.

상세 분석

본 논문은 베이지안 네트워크 구조 학습에서 ‘초기 지식’의 활용 가능성을 실증적으로 탐구한다. 기존 연구는 주로 빈 그래프 혹은 나이브 베이즈 구조를 시작점으로 삼아 탐색적 학습을 수행했으며, 이는 탐색 공간이 지수적으로 커져 연산 비용이 크게 증가한다는 한계가 있었다. ExpertBayes는 이러한 문제를 ‘전문가가 설계한 초기 그래프’를 그대로 보존하면서, 매우 제한된 범위(노드 쌍 하나에 대한 삽입·제거·역전)만을 무작위로 시도한다. 이때 사이클이 발생하면 연산을 취소하고, 변형이 클래스 변수의 마코프 블랭킷에 영향을 미칠 경우에만 조건부 확률표(CPT)를 재계산한다.

알고리즘은 다음과 같은 흐름을 가진다. (1) 원본 네트워크와 학습·시험 데이터를 로드한다. (2) 원본 네트워크의 파라미터를 학습 데이터로 추정한다. (3) 사전에 정의된 반복 횟수(N)만큼 무작위 노드 쌍을 선택하고, 현재 존재하는 간선이면 ‘제거’ 혹은 ‘역전’을, 없으면 ‘삽입’(방향도 무작위) 연산을 수행한다. (4) 연산 후 CPT를 필요에 따라 업데이트하고, 학습 데이터에 대해 정확도(0.5 임계값 기준)를 계산한다. (5) 현재 최고 점수보다 향상되면 베스트 네트워크를 교체한다. (6) 모든 반복이 끝난 뒤 베스트 네트워크를 시험 데이터에 적용해 최종 성능을 보고한다.

실험은 세 개의 실제 의료 데이터셋(프로스테이트 암, 유방암(1), 유방암(2))에 대해 5‑fold 교차 검증을 수행하였다. 원본 전문가 모델과 ExpertBayes가 도출한 최적 모델, 그리고 WEKA의 K2와 TAN 두 자동 학습 알고리즘을 비교하였다. 결과는 CCI(정확도)와 Precision‑Recall 곡선 두 가지 지표로 제시되었다. 프로스테이트 암에서는 ExpertBayes가 74%→76%로 소폭 상승했으며, 통계적으로 유의미한 차이를 보였다( p<0.01). 유방암(1)에서는 원본 49% 대비 63%로 큰 폭의 개선을 이루었고, K2(59%)와 TAN(57%)보다도 우수했다(p<0.004, p<0.002). 유방암(2)에서는 자동 학습(K2 80%, TAN 79%)이 ExpertBayes(64%)보다 우수했지만, 원본 모델(49%) 대비서는 여전히 개선되었다(p<0.009).

정밀도‑재현율 분석에서는 ExpertBayes가 동일 재현율 수준에서 더 높은 정밀도를 제공함을 확인했다. 이는 특히 임상 현장에서 ‘양성(건강) 환자를 불필요한 검사·치료에 노출시키는 위험’을 감소시킬 수 있음을 의미한다. 또한, 전문가가 설계한 초기 구조가 데이터 기반 탐색에 비해 더 효율적인 검색 시작점을 제공한다는 점을 강조한다.

알고리즘의 핵심 장점은 (1) 연산 비용이 매우 낮다(무작위 한 번의 변형만 수행), (2) 원본 네트워크의 의미를 크게 훼손하지 않는다(변형이 최소 수준), (3) 인터랙티브하게 전문가가 변형을 검토·수정할 수 있다. 한계점으로는 변형 탐색이 무작위이므로 전역 최적을 보장하지 못하고, 반복 횟수(N)에 따라 성능 변동이 있을 수 있다. 또한, 현재는 단일 클래스 변수에만 초점을 맞추고 있어 다중 클래스 혹은 연속형 목표 변수에 대한 확장은 추가 연구가 필요하다.

결론적으로, ExpertBayes는 ‘전문가 지식 + 자동 미세조정’이라는 하이브리드 접근법을 통해 베이지안 네트워크 학습의 효율성과 해석 가능성을 동시에 향상시킨다. 향후에는 변형 연산을 휴리스틱 기반(예: 정보 이득, 구조적 거리)으로 가중화하거나, 베이지안 최적화와 결합해 탐색 효율을 더욱 높이는 방안을 모색할 수 있다.