합성 데이터에 대한 컨포멀 예측 방법론

초록

본 논문은 디리클레 회귀 모델을 이용한 합성 데이터(비율이 1로 합산되는 데이터) 예측에 대해, 유한 표본에서도 엄격한 커버리지를 보장하는 컨포멀 예측 기법을 세 가지 제안한다. 첫 번째는 양자 잔차를 이용한 방법, 두 번째는 최고밀도 영역(HDR)을 근사하는 방법, 세 번째는 단순 격자 탐색을 통해 HDR을 정밀히 조정하는 방법이다. 시뮬레이션과 실제 데이터(수면 단계와 식물 바이오매스) 적용을 통해 각 방법의 커버리지, 영역 크기, 계산 효율성을 비교하였다.

상세 분석

이 연구는 합성 데이터(Compositional Data, CoDa)의 특수한 기하학적 구조—즉, D‑차원 단순체 Δ⁽ᴰ⁾—를 고려한 예측 구간 구축에 초점을 맞춘다. 기존의 Dirichlet 회귀는 평균 벡터 μ와 정밀도 파라미터 φ를 통해 해석 가능성을 제공하지만, 예측 구간을 제공하는 방법론은 부족했다. 논문은 이를 보완하기 위해 컨포멀 예측(Conformal Prediction, CP)의 분할 버전인 Split Conformal Prediction(SCP)을 채택한다. SCP는 훈련 집합과 보정 집합으로 데이터를 나누어 비모수적 커버리지 보장을 제공하므로, Dirichlet 회귀와 같은 복잡한 모델에도 적용 가능하다.

첫 번째 방법은 양자 잔차(quantile residual)를 비정상성 점수로 사용한다. Dirichlet 분포의 마진은 베타 분포와 동일하므로, 각 성분 j에 대해 β(μⱼ·φ, (1‑μⱼ)·φ) CDF를 이용해 표준 정규화된 잔차 r_qij = Φ⁻¹(F(y_ij; μ̂_ij, φ̂_i))를 계산한다. 비정상성 점수는 s(x,y)=max_j|r_qj| 로 정의되어, 모든 성분이 동시에 지정된 임계값 이하일 때 예측 집합에 포함된다. 이 접근법은 계산이 간단하고, 양자 잔차가 표준 정규분포에 근사한다는 이론적 근거가 있어 보정 단계에서 정확한 분위수 q_{1‑α}를 사용해 마진 구간 I_j를 직접 도출한다. 그러나 다변량 의존성을 충분히 반영하지 못해 영역이 다소 과보정(over‑coverage)될 위험이 있다.

두 번째 방법은 최고밀도 영역(HDR)을 목표로 한다. HDR은 확률밀도 f(y)≥f_α인 최소 부피 집합을 의미한다. Dirichlet 분포의 로그우도 −log f(y; μ̂, φ̂)를 비정상성 점수로 삼아, s(x,y)=−log f(y; μ̂(x), φ̂(x))를 정의한다. 이 점수에 대한 임계값을 보정 집합에서 추정하면, 해당 임계값 이하의 y가 HDR에 포함된다. 하지만 연속적인 단순체 상에서 f_α를 정확히 구하기는 어려우므로, 저자들은 좌표별 플로어링을 이용해 근사적인 다면체(polytope)를 만든다. 이 다면체는 선형 부등식 형태로 표현되어, 선형 계획법을 통해 빠르게 계산 가능하다. HDR 기반 방법은 영역 크기가 작고, 실제 밀도와 일치하는 형태를 제공하지만, 근사 과정에서 경계가 부드럽게 보정되지 않아 일부 경우에 과소 커버리지가 발생한다.

세 번째 방법은 HDR 근사를 격자 탐색(grid‑based discretization)으로 보완한다. 단순체를 균등 격자로 분할하고, 각 격자 점에 대해 로그우도 값을 평가한다. 이후 보정 단계에서 선택된 임계값보다 높은 점들을 모두 모아 다각형 형태의 예측 집합을 만든다. 격자 해상도를 조절함으로써 과보정을 완화하고, 영역 면적을 실질적으로 감소시킬 수 있다. 이 방식은 계산량이 격자 수에 비례하지만, 현대 컴퓨팅 환경에서 실용적인 수준이며, 특히 차원(D)이 35인 경우에 효율적이다. 실험 결과, 격자 기반 HDR는 원래 HDR보다 평균 면적이 1530% 감소하면서도 목표 커버리지를 95% 이상 유지하였다.

시뮬레이션에서는 모델 복잡도(선형 vs. 비선형 링크), 차원(D=3,5,10), 그리고 공변량 구조(독립 vs. 상관) 등을 다양하게 변형하였다. 결과는 HDR 근사 방법이 가장 안정적인 커버리지를 제공하고, 격자 보정이 영역 크기를 크게 줄이는 반면, 양자 잔차 방법은 가장 넓은 영역을 생성하지만 가장 보수적인 커버리지를 보였다. 실제 데이터 분석에서는 수면 단계 데이터(4차원 비율)와 식물 바이오매스 할당(5차원 비율)에 적용했으며, 각 방법이 제공하는 예측 집합이 도메인 전문가에게 직관적으로 해석 가능함을 확인했다. 특히 격자 기반 HDR는 실제 데이터에서 과보정을 현저히 감소시켜, 의사결정에 필요한 불확실성 정보를 더 명확히 전달했다.

전반적으로 이 논문은 Dirichlet 회귀와 컨포멀 예측을 결합함으로써, 합성 데이터에 대한 유한 표본 보장 예측 구간을 제공하는 최초의 체계적인 프레임워크를 제시한다. 비정상성 점수 설계, HDR 근사, 격자 보정이라는 세 가지 전략을 통해 정확도와 효율성 사이의 트레이드오프를 명확히 보여주며, 향후 다변량 비율 데이터 분석에 중요한 방법론적 기반을 제공한다.