베이지안 인과 발견 사이클인베이즈

본 논문은 비가우시안 잡음 하에서 선형 구조 방정식 모델(SEM)을 이용한 인과 그래프 학습을 위한 새로운 R 패키지, cyclinbayes를 소개한다. 기존의 LiNGAM 및 그 변형들은 DAG(비순환 그래프) 추정에 초점을 맞추었으며, 대부분 점 추정만 제공하고 사후 불확실성을 정량화하지 못한다. 또한 비가우시안 DCG(순환 그래프) 학습을 지원하는 소프트웨어는 거의 없으며, 기존 구현은 가우시안 잡음 가정이나 추가 제약을 요구한다. cyclinbayes는 이러한 두 가지 공백을 메우기 위해 설계되었다. **모델 정의** p개의 변수와 n개의 관측값을 갖는 데이터에 대해, 각 변수 Y_i는 자신의 부모 집합 pa(i)로부터 선형 결합 형태로 영향을 받으며, 잡음 ε_i는 가우시안 혼합 분포를 따른다. 이는 비가우시안 특성을 유지하면서도 계산적으로 tractable한 형태이다. 그래프 구조는 인접 행렬 E_ij( j→i ) 로 표시하고, 베타‑베르누이 사전으로 엣지 포함 확률 γ를 모델링한다. γ 자체는 Beta(a_γ, b_γ) 사전을 갖는다. 엣지가 포함된 경우 B_ij는 N(0, τ) 로, τ는 InverseGamma(a_τ, b_τ) 사전으로 지정한다. 비포함 엣지는 δ_0(점 질량)으로 처리한다. 이 스파이크‑앤‑슬랩 사전은 희소성을 자연스럽게 유도한다. **베이지안 추정 알고리즘** 두 종류의 그래프에 대해 각각 맞춤형 MCMC 샘플러를 제공한다. 1. **BayesDAG()** – DAG 전용 베이지안 LiNGAM. 그래프 구조를 Gibbs 샘플링하고, 인과 효과를 완전 주변화하여 샘플링 효율을 높인다. 시뮬레이티드 어닐링을 도입해 다중 모드 사후 분포 탐색을 돕는다. 2. **BayesDCG()** – 순환 그래프(DCG) 전용 베이지안 LiNG. 순환 구조에서는 인과 효과를 완전 주변화하기 어려우므로 Gibbs‑within‑Metropolis 방식을 사용한다. 그래프 구조와 효과를 번갈아 제안·수용한다. 두 알고리즘 모두 Rcpp와 C++ 구현을 통해 메모리 사용량과 연산 시간을 최소화했으며, 고차원(수천 변수) 데이터에서도 실용적인 실행 시간을 보인다. **불확실성 정량화 도구** - **posterior edge inclusion probabilities**: 각 엣지에 대한 사후 포함 확률을 제공, 사용자는 임계값을 조정해 신뢰도 기반 네트워크를 구성할 수 있다. - **posterior network motif**: 사용자가 정의한 서브그래프(예: 피드백 루프, 특정 경로)의 전체 포함 확률을 계산한다. - **posterior interval est()**: 직접 인과 효과 B_ij에 대해 HPD 혹은 동등 꼬리 신뢰구간을 제공한다. **결정론적 그래프 선택** 사후 분포가 다중 최빈값을 갖는 경우가 흔하므로, 전통적인 MAP 혹은 단순 임계값 기반 방법은 구조적 일관성을 보장하지 못한다. 논문은 사후 기대 손실을 최소화하는 가중 메디오이드 방식을 제안한다. 구체적으로, 사후 샘플에서 고유 그래프 집합 {G*₁,…,G*_v}를 추출하고, 각 그래프에 사후 확률 w_u를 가중치로 부여한다. 후보 그래프 G*_l에 대해 D_l = Σ_u w_u·d(G*_l, G*_u) 를 계산하고, D_l이 최소인 그래프를 선택한다. 여기서 d(·,·)는 SHD(구조 해밍 거리), SID(구조 개입 거리) 혹은 사용자가 정의한 임의의 거리 함수가 될 수 있다. 이 방법은 전역적인 구조적 합의를 반영하면서도, DAG 제약을 자동으로 만족하도록 설계될 수 있다(예: SID는 DAG에만 적용). **패키지 구성 및 사용 흐름** Figure 1에 제시된 워크플로우는 (1) BayesDAG() 혹은 BayesDCG() 실행 → (2) posterior samples 저장 → (3) point_est_graph() 로 최적 그래프 선택 → (4) posterior_interval_est() 로 효과 신뢰구간 산출 → (5) posterior_network_motif() 로 특정 모티프 확률 평가 순으로 진행된다. 주요 함수는 모두 R 인터페이스를 제공하며, 입력은 데이터 매트릭스와 사전 하이퍼파라미터, 출력은 샘플링된 인접 행렬, 효과 계수, 그리고 사후 요약 통계이다. **의의와 한계** cyclinbayes는 (i) 비가우시안 DAG와 DCG 모두에 대한 베이지안 추정을 제공, (ii) 구조적·파라미터적 불확실성을 포괄적으로 정량화, (iii) 사후 기대 손실 기반 그래프 요약이라는 새로운 결정론적 프레임워크를 도입함으로써 기존 도구들을 능가한다. 특히 피드백 루프가 존재하는 생물학적 네트워크나 경제 시스템 등 순환 인과 구조를 필요로 하는 분야에 큰 활용 가능성을 가진다. 현재 구현은 선형 관계와 가우시안 혼합 잡음에 제한되며, 비선형 관계나 보다 복잡한 잡음 모델에 대한 확장은 향후 연구 과제로 남는다. 또한 실험적 검증(시뮬레이션 및 실제 데이터) 결과가 논문에 포함되지 않아, 실제 성능과 스케일링 특성을 독립적으로 평가할 필요가 있다. **결론** cyclinbayes는 선형 비가우시안 SEM 기반 인과 그래프 학습을 위한 최초의 베이지안 R 패키지로, DAG와 DCG 모두를 지원한다. 스파이크‑앤‑슬랩 사전, 하이브리드 MCMC, Rcpp 구현을 통해 효율성을 확보했으며, 사후 엣지 확률, 모티프 확률, 효과 신뢰구간 등 풍부한 불확실성 정량화 도구를 제공한다. 특히 사후 기대 손실을 최소화하는 가중 메디오이드 그래프 선택은 구조적 합의를 반영한 실용적인 점 추정 방법으로, 인과 추론 연구와 응용에 새로운 기준을 제시한다.