베이지안 포아송 텐서 분해로 드러낸 다자간 관계

본 논문은 국제 관계 연구에서 오랫동안 활용되어 온 dyadic 이벤트 데이터를 현대의 대규모 자동 추출 데이터와 결합해 새로운 분석 프레임워크를 제시한다. 저자들은 “국가 i가 행동 a를 국가 j에게 시간 t에 취한다”는 네 가지 속성을 가진 이벤트를 4차원 카운트 텐서 Y(N × N × A × T) 로 변환한다. 여기서 N은 국가 수, A는 행동 유형 수, T는 시간 구간 수이며, 각 원소 y_{ijat}는 해당 구간에 발생한 이벤트 횟수를 의미한다. 이러한 텐서는 매우 희소하고, 비제로 원소들의 분산이 평균보다 훨씬 큰 과분산 특성을 보인다(예: ICEWS 텐서의 VMR ≈ 57). 전통적인 텐서 분해 방법은 최대우도(MLE) 기반으로, 희소하고 과분산된 카운트 데이터에 대해 불안정하고 과적합 위험이 크다. 이를 극복하기 위해 저자들은 포아송 분포를 관측 모델로 채택하고, 각 요인(보내는 국가, 받는 국가, 행동 유형, 시간)의 요소에 감마 사전분포를 부여한 베이지안 포아송 텐서 분해(BPTF)를 설계한다. 감마 사전은 shape α와 rate β로 파라미터화되며, α < 1, β 작은 경우 0 근처에 질량을 집중시켜 스파시티를 유도한다. 논문에서는 α를 0.1로 고정해 요인 행렬이 대부분 0에 가까워 해석 가능성을 높인다. 모델은 CP(Canonical Polyadic) 분해 형태를 따르며, 재구성 평균은 ˆy_{ijat}=∑_{k=1}^K θ^{(1)}_{ik} θ^{(2)}_{jk} θ^{(3)}_{ak} θ^{(4)}_{tk} 로 정의된다. 베이지안 접근은 사후분포 P(Θ|Y) 를 직접 계산하기 어려우므로, 완전 평균장(mean‑field) 변분 추론을 적용한다. 변분 분포 Q는 모든 요인에 대해 독립적인 감마 형태를 가정하고, 각 요인의 변분 파라미터(형태와 비율)를 업데이트하는 식을 유도한다. 중요한 기술적 발견은 점 추정값을 구할 때 산술 평균이 아니라 기하 평균(geometric expectation)을 사용하면 스파시티가 강화되고 예측 정확도가 향상된다는 것이다. 실험에서는 두 주요 데이터셋을 사용한다. 첫 번째는 GDELT(Global Database of Events, Location, and Tone)이며, 1979년부터 현재까지 수억 건의 이벤트를 포함한다. 두 번째는 ICEWS(Integrated Crisis Early Warning System)로, 1995‑2012년 사이의 249개 국가·지역과 20가지 행동 유형을 월별로 집계한 4차원 텐서(≈2.68억 원소)이다. 두 텐서 모두 비제로 비율이 0.5% 이하로 매우 희소하고, VMR이 50 이상으로 과분산이다. BPTF는 비베이지안 NTF와 기존 포아송 텐서 분해(PMF 기반) 대비 테스트 로그우도, RMSE, MAE 등 여러 예측 지표에서 일관되게 우수한 성능을 보였다. 특히, 변분 알고리즘은 각 반복마다 O(K·(non‑zero elements))의 복잡도로 선형 확장성을 유지해 대규모 데이터에도 실용적으로 적용 가능했다. 해석적 측면에서는 각 컴포넌트 k를 네 개의 요인 벡터(송신 국가, 수신 국가, 행동 유형, 시간)로 분해하고, 이를 시각화해 의미 있는 국제 관계 패턴을 발견한다. 예를 들어, 2003‑2009년 사이의 Six‑Party Talks를 포착한 컴포넌트는 한국, 미국, 중국, 일본, 러시아, 북한이 상위 송·수신 국가로 나타나며, 행동 유형은 ‘Consult’, ‘Intend to Cooperate’가 주를 이룬다. 시간 요인에서는 2003년부터 활동이 급증한다. 또 다른 컴포넌트는 9/11 이후 미국 주도의 테러 대응을 반영해, 2001년 10월에 시간 요인 값이 최고점에 도달하고, ‘Coerce’, ‘Aid’ 등 전쟁 관련 행동이 두드러진다. 이러한 결과는 기존 국제 관계 이론과 일치하면서도, 데이터 기반으로 새로운 다자간 관계를 자동 탐지할 수 있음을 보여준다. 논문은 또한 변분 추론과 기하 기대값 사용이라는 두 가지 핵심 기여를 강조한다. 변분 추론은 베이지안 모델의 사후분포를 효율적으로 근사하고, 기하 기대값은 스파시티를 유지하면서도 예측 성능을 높이는 실용적인 점 추정 방법이다. 저자들은 이 방법을 향후 정치·사회 과학 분야에서 대규모 사건 데이터 분석에 적용할 것을 제안한다. 결론적으로, 베이지안 포아송 텐서 분해는 희소하고 과분산된 dyadic 이벤트 데이터를 효과적으로 모델링하고, 해석 가능한 다자간 관계 구조를 자동으로 추출한다. 변분 기반 학습 알고리즘은 확장성이 뛰어나며, 기하 기대값을 이용한 점 추정은 기존 방법보다 더 정확하고 해석 가능한 결과를 제공한다. 이 연구는 데이터 과학과 국제 관계 연구의 교차점에서 중요한 방법론적 진전을 제시한다.