병렬 PC 고차원 인과 탐색을 위한 효율적인 R 패키지

본 논문은 인과 관계를 데이터로부터 추론하는 데 널리 사용되는 제약 기반 알고리즘들의 계산 복잡도 문제를 해결하고자, R 환경에서 다중 코어를 활용한 병렬 구현을 제공하는 **ParallelPC** 패키지를 제안한다. 제약 기반 접근은 조건부 독립성 검정을 통해 그래프의 구조를 점진적으로 축소하는 방식으로, 변수 수가 증가함에 따라 검정 횟수가 기하급수적으로 늘어나 기존 구현에서는 실용적인 적용이 어려웠다. 저자들은 이러한 병목을 레벨 별로 독립적인 CI 테스트를 병렬화함으로써 해결하고, 메모리 사용량을 최소화하는 옵션을 추가하였다. 먼저, PC 알고리즘의 핵심인 Stable‑PC 버전을 기반으로, 각 레벨(조건 집합 크기)에서 수행되는 모든 CI 테스트를 코어에 분산시킨 Parallel‑PC를 구현하였다. 이 과정에서 테스트 결과를 모아 그래프를 업데이트하는 동기화 단계가 필요하지만, 레벨 내부에서는 순서 의존성이 없으므로 효율적인 병렬 처리가 가능하다. FCI와 RFCI는 PC 알고리즘을 전처리 단계로 사용하고, 이후 숨겨진 변수와 선택 변수에 대한 추가 검정을 수행한다. ParallelPC는 이 전처리와 정제 단계 모두에 동일한 병렬 전략을 적용해 전체 실행 시간을 크게 단축한다. PC‑simple(PC‑Select)은 특정 목표 변수의 부모·자식을 찾는 로컬 탐색 알고리즘으로, 목표 변수 주변의 조건부 독립성 검정 역시 레벨 단위로 병렬화한다. 이를 통해 목표 변수가 다수의 인접 변수를 가질 경우에도 탐색 효율을 유지한다. 인과 효과 추정 방법인 IDA와 Joint‑IDA는 먼저 전체 그래프를 학습한 뒤, 학습된 구조를 이용해 각 원인‑결과 쌍에 대한 조정 효과를 계산한다. 여기서 그래프 학습 단계가 가장 비용이 많이 드는 부분이므로, ParallelPC는 PC‑parallel와 동일한 병렬화 기법을 적용해 학습 시간을 크게 감소시킨다. 결과적으로 IDA와 Joint‑IDA 전체 파이프라인이 5~9배 가속된다. 패키지는 12가지의 조건부 독립성 검정 함수를 제공한다. 기본적으로 Gaussian CI 테스트를 사용하지만, mutual information, rank‑based 테스트 등 다양한 데이터 특성에 맞는 검정을 선택할 수 있다. 사용자는 `num.cores` 파라미터로 사용할 코어 수를 지정하고, `mem.efficient=TRUE` 옵션을 통해 메모리 사용량을 제한할 수 있다. 메모리 효율 옵션은 사용 가능한 메모리를 사전에 탐지하고, 각 코어에 할당되는 테스트 배치를 조정해 메모리 초과를 방지한다. 이 옵션은 약간의 추가 실행 시간을 초래하지만, 메모리 제한이 있는 환경에서 실용적이다. 실험에서는 두 개의 실제 데이터셋을 사용하였다. 첫 번째는 92개의 miRNA와 1500개의 mRNA를 포함한 유방암 유전자 발현 데이터(샘플 50)로, 고차원·소규모 샘플 특성을 갖는다. 두 번째는 UCI Adult 데이터에서 이진화된 100개의 변수를 추출한 데이터(샘플 48,842)로, 대규모 샘플·중간 차원의 특성을 가진다. 실험은 2.6 GHz 코어와 2.7 GB 메모리를 갖춘 Linux 서버에서 수행했으며, 코어 수를 4, 8, 12로 변동시켜 실행 시간을 비교하였다. 결과는 다음과 같다. - PC, FCI, RFCI, IDA, Joint‑IDA 모두 4코어 환경에서 순차 실행 대비 평균 70% 이상의 시간 절감 효과를 보였다. - 메모리 효율 옵션을 사용했을 때는 실행 시간이 약 5% 정도 증가했지만, 메모리 사용량은 30% 이상 감소하였다. - PC‑parallel와 기존 pcalg 패키지의 PC‑stable는 동일한 그래프 구조를 반환했으며, 결과 정확도에 차이가 없었다. 이러한 결과는 ParallelPC가 고차원 데이터셋(수천~수만 변수)에서도 일반적인 멀티코어 개인용 컴퓨터로 실용적인 인과 탐색을 가능하게 함을 입증한다. 패키지는 CRAN에 공개되어 누구나 설치·사용할 수 있으며, 향후 더 많은 CI 테스트와 GPU 기반 병렬화 확장도 가능하도록 설계되었다.