카운터플로우넷: 최소 변경으로 의미 있는 반사실 설명을 생성하는 새로운 흐름 네트워크

초록

CounterFlowNet은 조건부 Generative Flow Networks(GFlowNet)를 활용해 탭ular 데이터의 연속·범주형 특성을 동시에 다루면서, 사용자가 정의한 유효성·근접성·희소성·타당성 보상 함수를 기반으로 고품질 반사실(counterfactual) 설명을 순차적으로 샘플링한다. 행동 마스킹을 통해 불변성·단조성 제약을 사후 재학습 없이 적용할 수 있다. 실험 결과, 기존 최첨단 방법보다 다양성·희소성·타당성·타당성 측면에서 우수한 트레이드오프를 달성한다.

상세 분석

CounterFlowNet은 반사실 설명 생성 문제를 “특징 선택 → 값 할당”이라는 두 단계로 구성된 마코프 의사결정 과정(MDP)으로 재구성한다. 이때 상태는 현재까지 수정된 입력 벡터이며, 행동은 (특징 인덱스 d, 새로운 값 v) 쌍이다. GFlowNet의 핵심 아이디어는 최종 상태(즉, 완성된 반사실)마다 정의된 보상 R(x′)에 비례하는 확률로 샘플링하도록 정책 P_F를 학습하는 것이다. 보상은 네 가지 요소의 곱으로 구성된다: (1) 유효성 R_v – 목표 클래스에 대한 예측 확률이 일정 임계값을 초과하도록 연속적인 클리핑 함수로 구현, (2) 근접성 R_d – 원본과의 거리(예: L1, L2) 감소에 비례하도록 지수형 페널티, (3) 타당성 R_p – 사전 학습된 density model(예: KDE, VAE) 혹은 k‑NN 기반 확률로 데이터 분포 내에 존재하는 정도를 측정, (4) 희소성 R_s – 수정된 특징 수에 역비례하도록 설계. 각 요소는 사용자가 λ 파라미터(0~1)로 가중치를 조정할 수 있어, 특정 도메인 요구에 맞게 유연하게 튜닝 가능하다.

연속형 특성은 사전 양자화(예: 256 구간)하여 이산 행동 공간에 포함시키고, 범주형 특성은 원-핫 인코딩 형태로 그대로 사용한다. 이렇게 하면 GFlowNet이 다루는 상태·행동 공간이 완전히 이산화되어 흐름 보존(flow‑matching) 조건을 만족시키기 쉬워진다. 또한, 행동 마스킹을 통해 불변성(예: 나이, 성별)이나 단조성(예: 소득은 감소하면 안 됨) 제약을 사전에 차단한다. 마스크된 행동은 정책 네트워크의 출력 확률에서 0으로 설정되므로, 학습 단계에서부터 제약을 내재화한다.

학습은 일반적인 GFlowNet 손실(예: trajectory balance 또는 detailed balance)로 진행된다. 정책 P_F와 역정책 P_B를 동시에 업데이트하면서, 각 트랜잭션(특징 선택·값 할당)마다 흐름 보존을 강제한다. 보상 함수가 비미분 가능해도 샘플링 확률에 직접 반영되므로, 복잡한 제약식이나 비선형 목표도 손쉽게 포함할 수 있다.

실험에서는 8개의 공개 탭ular 데이터셋(Adult, Credit, HELOC 등)을 사용해 두 가지 평가 프로토콜을 적용했다. 첫 번째는 기존 논문에서 사용한 “validity‑sparsity” 곡선으로, CounterFlowNet이 동일한 유효성 수준에서 평균 수정 특성 수가 현저히 낮았다. 두 번째는 다양성 측정(예: pairwise Jaccard distance)과 타당성(데이터 분포 내 확률) 평가로, 제안 방법이 다른 최적화 기반·생성 기반 모델(DiCE, MCCE, CeFlow 등)보다 높은 점수를 기록했다. 특히, 제약 마스킹을 적용했을 때도 성능 저하가 거의 없었으며, 이는 사후 필터링 없이도 실시간으로 사용자 정의 제약을 만족하는 반사실을 제공할 수 있음을 의미한다.

이러한 설계는 반사실 설명이 요구되는 규제·법적 환경(예: GDPR)에서 실용적인 장점을 제공한다. 모델이 복잡한 블랙박스라 하더라도, CounterFlowNet은 “몇 가지 핵심 특징만 바꾸면 목표 결과를 얻을 수 있다”는 직관적인 인사이트를 제공하고, 사용자는 제시된 여러 후보 중 비즈니스·윤리적 관점에서 가장 적합한 방안을 선택할 수 있다.

요약하면, CounterFlowNet은 (1) 순차적 특징 수정으로 자연스러운 희소성 확보, (2) 통합 이산 행동 공간으로 연속·범주형 특성 동시 처리, (3) 보상 기반 샘플링으로 사용자 정의 목표 직접 반영, (4) 행동 마스킹을 통한 제약 내재화라는 네 가지 핵심 혁신을 통해 기존 반사실 생성 방법의 한계를 극복한다.