강인한 고정구조 베이즈 네트워크 학습

본 논문은 베이즈 네트워크(Bayesian Network, BN)의 강인 학습 문제를 다룬다. 베이즈 네트워크는 유향 비순환 그래프(G)와 각 노드의 조건부 확률표(CPT)로 정의되며, 변수들이 이산(0/1)인 경우가 주 대상이다. 기존 비강인 학습에서는 전체 샘플이 정확히 모델에 의해 생성된다고 가정하고, 경험적 최대우도 추정이 샘플 복잡도 O(m/ε²)와 다항시간에 가능함이 알려져 있다. 그러나 실제 데이터는 악의적인 오염(ε‑fraction corruption)으로 인해 이러한 가정이 깨지며, 기존 알고리즘은 작은 오염에도 성능이 급격히 저하된다. ### 문제 정의 및 가정 - **오염 모델**: ε < ½ 인 경우, 전체 N개의 샘플 중 ε·N개를 적대적 공격자가 자유롭게 교체한다(삭제·삽입 모두 허용). - **구조 고정**: 그래프 G는 사전에 알려져 있다. - **조건부 확률표 균형성**: 모든 CPT 엔트리 p_{i,a} ∈