동적 가우시안 베이지안 네트워크의 두 베이지안 접근법 비교

초록

본 논문은 연속 시계열 데이터를 위한 동적 가우시안 베이지안 네트워크(GDBN)에서 사용되는 두 가지 베이지안 스코어, 평균조정 BGe(mBGe)와 확장 BGe(eBGe)를 체계적으로 비교한다. 두 모델이 유도하는 그래프 등가 클래스가 서로 다르며, 특히 eBGe가 비표준 등가 클래스를 만든다는 점을 밝혀낸다. 이를 위해 새로운 DAG‑to‑CPDAG 변환 알고리즘을 제안하고, 실험을 통해 두 모델의 구조 학습 성능을 평가한다.

상세 분석

논문은 먼저 전통적인 BGe 점수의 수학적 기반을 정리하고, 이를 동적 상황에 적용하기 위한 두 확장 모델을 상세히 전개한다. mBGe는 동적(인터‑슬라이스) 의존성을 평균 벡터에 선형 회귀 형태로 삽입하고, 정적(인트라‑슬라이스) 의존성은 공분산 구조에 맡긴다. 이 접근법은 평균이 시간에 따라 변하지만 공분산은 고정된 다변량 정규분포를 유지한다는 가정을 전제로 하며, 베이지안 선형 회귀와 정규‑위시트 사전을 결합해 완전한 사후분포를 얻는다. 반면 eBGe는 정적·동적 변수를 하나의 확장된 다변량 정규모형에 동시에 포함시켜, 모든 노드를 하나의 큰 공분산 행렬에 배치한다. 결과적으로 동적 엣지는 정적 DAG의 구조적 제약을 깨뜨려, 기존 DAG‑to‑CPDAG 변환 규칙(스켈레톤 동일, v‑structure 보존)만으로는 올바른 등가 클래스를 식별할 수 없게 된다. 저자는 이를 해결하기 위해 동적 엣지가 포함된 경우에도 v‑structure와 강제 방향성을 재정의하는 새로운 변환 절차를 제시한다. 이 절차는 기존 CPDAG 알고리즘에 동적 엣지에 대한 “제한 방향” 정보를 추가하고, 동적 엣지가 존재할 때는 해당 엣지를 고정(compelled)으로 처리한다. 실험에서는 합성 데이터와 실제 시계열 데이터를 사용해 두 모델의 구조 회복 정확도와 예측 성능을 비교한다. 결과는 eBGe가 동적 관계를 더 정확히 포착하지만, 등가 클래스 식별이 복잡해지는 반면, mBGe는 기존 CPDAG 도구를 그대로 활용할 수 있어 구현이 간단하고 안정적이라는 점을 보여준다. 또한, 현재 R 패키지(bnlearn, BiDAG)에서는 eBGe에 대한 올바른 CPDAG 추출 기능이 부재함을 지적하고, 제안된 알고리즘의 필요성을 강조한다. 논문은 이러한 차이가 학문적·실용적 모델 선택에 중요한 영향을 미친다는 점을 설득력 있게 논증한다.