특징 기반 해석 가능한 최적화 대리 모델

초록

본 논문은 기존의 결정트리 기반 해석 가능한 최적화 대리 모델을 확장하여, 인스턴스의 특성 벡터를 해답의 특징 집합(메타‑솔루션)으로 매핑하는 새로운 프레임워크를 제안한다. 정확한 MIP 모델과 휴리스틱을 통해 최적 규칙을 도출하고, 합성·실제 데이터 실험을 통해 해석 가능성 및 성능 향상을 입증한다.

상세 분석

이 연구는 최적화 결과에 대한 신뢰를 높이기 위해 ‘해답 자체’가 아니라 ‘해답이 공유하는 특징’에 초점을 맞춘다. 기존 방법이 인스턴스를 구체적인 최적 해에 직접 연결했지만, 이는 사용자가 상황 변화에 따라 유연하게 대응하기 어렵다는 한계를 가진다. 저자들은 인스턴스 특성 → 해답 특징 매핑이라는 두 단계 구조를 도입함으로써, 사용자가 제시된 특징을 기반으로 자신에게 맞는 구체적 해를 선택하도록 허용한다. 이를 위해 MIP 기반의 정확 모델을 설계하여 최소한의 규칙 수와 설명 가능성을 동시에 만족하는 최적 규칙을 찾는다. 또한, 대규모 문제에 대한 계산 부담을 완화하기 위해 휴리스틱 탐색 알고리즘을 제시한다. 실험에서는 기존 결정트리 대리 모델 대비 목표 함수 값에서 평균 5~12% 개선을 기록했으며, 규칙 길이와 해석 가능성 지표에서도 우수함을 보였다. 논문은 해석 가능성(규칙 길이, 사용자 이해도)과 성능(목표값 손실) 사이의 트레이드오프를 정량적으로 분석하고, 특징 기반 접근이 실제 의사결정 상황에서 인간의 휴리스틱과 잘 맞물린다는 점을 강조한다. 다만, 정확 MIP 모델의 확장성은 문제 규모가 커질수록 제한적이며, 특징 선택 과정이 사전 도메인 지식에 크게 의존한다는 점이 향후 연구 과제로 남는다.