링크 학습 재고 GP GOMEA에서 인트론과 템플릿의 역할

초록

GP‑GOMEA는 심볼릭 회귀에서 작은 해를 찾는 데 강점이 있지만, 고정 템플릿 사용으로 발생하는 인트론이 상호 정보 기반 링크 학습에 잡음으로 작용한다. 저자는 인트론을 마스킹하는 변형 MI와 템플릿 구조를 직접 활용한 가중 그래프 기반 링크 모델 두 가지를 제안한다. 실험 결과 두 방법 모두 성능을 크게 향상시키며, 템플릿 기반 모델이 가장 우수함을 보여준다.

상세 분석

본 논문은 GP‑GOMEA가 심볼릭 회귀에서 작은 표현식을 효율적으로 탐색하는 메커니즘을 상세히 분석하고, 기존에 사용되던 노드 위치 간 상호 정보(MI) 기반 링크 학습이 고정 템플릿으로 인해 발생하는 인트론(intron) 문제에 취약함을 지적한다. 인트론은 표현식 트리의 일부 노드가 실제 계산에 사용되지 않아 적합도에 영향을 주지 않으며, 따라서 선택 압력이 가해지지 않는다. 이런 비활성 변수들은 MI 계산 시 무작위 변동을 일으켜 실제 변수 간 의존성을 왜곡한다. 저자는 이를 해결하기 위해 두 가지 새로운 링크 측정 방식을 제안한다. 첫 번째는 인트론을 별도의 “masked” 라벨로 처리하여 활성 변수만을 대상으로 엔트로피와 MI를 재계산하는 방법이다. 이 접근은 기존 MI와 달리 인트론이 잡음으로 작용하는 것을 방지하지만, 초기화 편향 보정과는 호환되지 않는다. 두 번째는 템플릿 구조 자체를 활용해 가중 변수 상호작용 그래프(wVIG)를 구축하는 방법이다. 템플릿은 함수의 중첩 구조를 명시하므로, 각 변수 쌍이 동일한 서브함수에 포함되는 횟수를 가중치로 사용해 의존성을 직접 추정한다. 이렇게 얻은 가중 그래프는 계층적 군집화를 통해 링크 트리를 생성하며, 학습 과정에서 통계적 추정이 필요 없다는 장점이 있다. 실험에서는 5개의 표준 심볼릭 회귀 벤치마크를 사용해 기존 MI, 보정된 MI, 마스킹 MI, 템플릿 기반 wVIG 네 가지 방법을 비교하였다. 결과는 마스킹 MI와 템플릿 기반 wVIG 모두 평균적으로 성능을 크게 향상시켰으며, 특히 템플릿 기반 방법이 가장 일관된 개선을 보였다. 또한 학습된 링크 구조가 템플릿이 내포한 구조와 높은 상관관계를 가지는 것을 확인함으로써, 템플릿 자체가 유용한 사전 지식임을 실증하였다. 논문은 인트론을 무시하지 않고 명시적으로 처리함으로써 링크 학습의 정확성을 높이고, 템플릿 정보를 활용한 ‘그레이박스’ 접근이 GP‑GOMEA의 효율성을 극대화할 수 있음을 보여준다.