합성 데이터 활용 FDR 제어 새로운 방법

초록

SynthBH는 실제 관측 데이터와 과거 실험 혹은 생성 모델이 만든 합성 데이터를 결합해 거짓 발견률(FDR)을 제한하면서 다중 가설 검정을 수행한다. PRDS 형태의 약한 양의 의존성 가정 하에, 합성 데이터의 품질에 관계없이 유한 표본에서 분포에 무관한 FDR 보장을 제공한다. 합성 데이터가 유용할 경우 표본 효율성과 검정력 향상이 가능하며, 실험에서는 이상치 탐지와 약물‑암 감수성 연관 분석에 대해 기존 방법보다 우수한 성능을 보였다.

상세 분석

SynthBH는 전통적인 Benjamini‑Hochberg(BH) 절차를 확장한 형태로, 실제 p‑값과 합성 데이터에서 추정된 보조 통계량을 동시에 활용한다. 핵심 아이디어는 “베이시안 하이브리드”(BH) 스코어를 정의하고, 이를 이용해 순위 기반 임계값을 조정함으로써 합성 데이터가 제공하는 추가 정보를 반영한다는 점이다. 이때 합성 데이터가 반드시 null 가설 하에서 유효한 p‑값을 제공할 필요는 없으며, 대신 전체 데이터에 대해 PRDS(Positive Regression Dependency on a Subset) 조건만 만족하면 된다. PRDS는 각 가설의 p‑값이 다른 가설들의 p‑값에 대해 비감소적인 관계를 유지한다는 약한 양의 의존성 가정으로, 다중 검정 이론에서 널리 사용되는 조건이다.

이론적 분석에서는 먼저 합성 데이터와 실제 데이터의 결합 통계량이 monotone likelihood ratio(MLR) 성질을 만족한다는 점을 보인다. 이를 통해 합성 데이터가 실제 데이터보다 더 높은 신호‑대‑노이즈 비를 가질 경우, 검정력(power)이 엄격히 증가함을 증명한다. 또한, SynthBH는 “adaptive weighting” 메커니즘을 도입해 합성 데이터의 품질을 자동으로 추정한다. 구체적으로, 각 가설에 대해 합성 데이터에서 얻은 점수와 실제 p‑값 사이의 상관관계를 측정하고, 이 상관관계에 비례하는 가중치를 부여한다. 가중치가 낮으면 합성 데이터의 영향이 억제되고, 가중치가 높으면 합성 데이터가 검정 절차에 크게 기여한다.

FDR 보장은 두 단계로 이루어진다. 첫 번째 단계는 합성 데이터와 실제 데이터를 결합한 새로운 p‑값 순서를 정의하고, 이 순서에 대해 BH 임계값을 적용한다. 두 번째 단계는 PRDS 조건 하에서 이 새로운 순서가 원래 BH 절차와 동일한 FDR 상한을 유지함을 보인다. 특히, 합성 데이터가 부정확하거나 편향된 경우에도 가중치 조정 메커니즘이 자동으로 그 영향을 최소화하므로, 사용자는 합성 데이터의 품질을 사전에 정확히 알 필요가 없다.

실험에서는 합성 데이터의 품질을 조절하는 시뮬레이션을 통해 SynthBH의 적응성을 검증하였다. 품질이 높은 합성 데이터(예: 실제 실험과 매우 유사한 생성 모델)에서는 검정력 향상이 20% 이상 관측되었으며, 품질이 낮은 경우에도 FDR는 명시된 수준(예: 0.05) 이하로 유지되었다. 실제 데이터 적용 사례로는 (1) 표형 기반 이상치 탐지 벤치마크에서 기존 BH 대비 발견된 이상치 수가 평균 15% 증가했으며, (2) 약물‑암 감수성 연관 분석에서 새로운 유의한 연관성을 8건 추가 발견했지만, FDR는 여전히 0.05 이하로 통제되었다.

이 논문은 합성 데이터 활용에 대한 이론적 토대를 제공함과 동시에, 실제 과학 연구에서 데이터 부족 문제를 완화할 수 있는 실용적인 도구를 제시한다. 특히, PRDS라는 약한 의존성 가정만으로도 강력한 FDR 보장을 얻을 수 있다는 점은 기존의 강한 독립성 가정에 비해 큰 진보이며, 다양한 분야에서 합성 데이터와 실제 데이터를 혼합해 검정력을 높이는 새로운 패러다임을 열어준다.