하이브리드 H2PC 알고리즘으로 베이지안 네트워크 구조 학습 성능 향상

초록

**
본 논문은 베이지안 네트워크 구조 학습을 위한 새로운 하이브리드 알고리즘인 H2PC(Hybrid HPC)를 제안한다. 먼저 제약 기반 방법인 HPC로 스켈레톤을 복원하고, 이후 BDeu 점수를 이용한 탐욕적 힐‑클라이밍으로 방향을 정한다. 동일한 스코어링 단계에서 MMHC와 비교 실험을 수행했으며, 다양한 베이지안 네트워크와 샘플 크기에서 H2PC가 구조 정확도와 테스트 적합도 모두에서 MMHC를 능가함을 확인하였다.

**

상세 분석

**
H2PC는 기존 하이브리드 접근법인 MMHC와 가장 큰 차별점을 스켈레톤 추출 단계에 둔다. MMHC는 Max‑Min Parents‑and‑Children (MMPC) 알고리즘을 사용해 각 변수의 부모·자식 집합을 제한된 조건부 독립 검정으로 추정한다. 반면 H2PC는 Hybrid Parents‑and‑Children (HPC) 서브루틴을 도입한다. HPC는 세 가지 보조 절차—DE‑PCS, DE‑SPS, Inter‑IAPC—를 결합한 앙상블 방식으로, 초기에는 조건부 집합의 크기를 2 이하로 제한해 높은 검정 신뢰도를 확보하고, 이후 약한 PC 학습기인 Inter‑IAPC를 통해 후보 집합을 빠르게 생성한다. 특히 “분산형 탐색”(decentralized search) 단계에서, 후보 PC에 포함되지 않은 변수라도 해당 변수가 대상 변수의 후보 PC에 포함될 경우 상호 검증을 통해 추가함으로써 false‑negative를 크게 감소시킨다.

이러한 설계는 두 가지 중요한 효과를 만든다. 첫째, 조건부 독립 검정의 차원 저주를 완화하면서도 높은 재현성을 유지한다. 둘째, 스켈레톤에 포함되는 false‑positive가 늘어나면 이후 탐색 단계의 연산량이 증가하지만, H2PC는 TABU 리스트와 제한된 연산자(추가, 삭제, 반전)만을 허용함으로써 실용적인 시간 복잡도를 보장한다.

실험에서는 8개의 표준 베이지안 네트워크(Alarm, Barley 등)를 사용해 샘플 크기를 100, 500, 1000, 5000으로 변동시켰다. 평가 지표는 구조 해밍 거리, 정밀도·재현율, 그리고 테스트 데이터에 대한 BDeu 점수(즉, 일반화 적합도)였다. 전반적으로 H2PC는 모든 네트워크와 샘플 크기에서 MMHC보다 낮은 구조 해밍 거리와 높은 정밀·재현율을 기록했으며, 특히 작은 샘플(≤500)에서 그 차이가 두드러졌다. 또한 테스트 적합도에서도 평균 2~5% 정도의 향상을 보였는데, 이는 스켈레톤 단계에서 놓친 엣지를 보완한 결과로 해석된다.

한계점으로는 HPC 단계에서 추가적인 조건부 독립 검정이 필요하므로 메모리 사용량이 MMPC 대비 약간 높으며, 매우 고차원(수천 변수) 데이터에서는 여전히 연산 비용이 급증한다는 점이다. 향후 연구에서는 검정 비용을 줄이는 샘플링 기반 방법이나, 병렬화 전략을 도입해 확장성을 개선할 여지가 있다.

**