문맥‑특정 독립성을 활용한 마코프 네트워크 구조 학습

본 논문은 마코프 네트워크 구조 학습 분야에서 독립성 기반(IB) 접근법이 갖는 근본적인 한계를 지적하고, 이를 보완하기 위한 새로운 알고리즘 CSPC(Context‑Specific Parent and Children)를 제안한다. 전통적인 IB 알고리즘은 통계적 독립성 검정을 통해 변수 간의 조건부 독립성을 그래프 형태로 인코딩한다. 이 방식은 이론적으로 올바른 구조를 효율적으로 복원한다는 장점이 있지만, 그래프는 모든 가능한 조건부 독립성을 동일하게 표현하기 때문에 특정 컨텍스트(조건 변수의 특정 할당)에서만 성립하는 문맥‑특정 독립성(CSI)을 표현하지 못한다. CSI가 존재하면 그래프는 불필요하게 많은 에지를 포함하게 되고, 이는 추론 비용을 증가시키며 샘플 복잡도에도 부정적인 영향을 미친다. CSPC는 이러한 문제를 해결하기 위해 구조를 그래프가 아닌 로그‑선형 모델의 특징 집합으로 표현한다. 로그‑선형 모델은 각 특징이 변수들의 부분 할당을 나타내며, 특징들의 가중치가 모델의 파라미터가 된다. 특징을 이용하면 특정 컨텍스트에만 적용되는 독립성을 자연스럽게 표현할 수 있다. 논문은 먼저 CSPC의 전체 흐름을 설명한다. 입력으로 변수 집합 X와 데이터 D를 받으며, 초기 특징 집합 F를 생성한다. 여기서는 데이터에 나타난 고유 샘플을 각각 하나의 특징으로 사용함으로써 초기 특징 수를 |D| 로 제한한다. 그 다음 두 단계의 중첩 루프가 진행된다. 외부 루프는 데이터에 존재하는 모든 고유 컨텍스트 x (즉, 각 고유 샘플) 를 순회한다. 내부 루프에서는 해당 컨텍스트 x에 대해 전통적인 독립성 검정(예: χ², G²)을 적용해 변수 쌍 (Xa, Xb)와 그 주변 변수 집합 W에 대한 CSI I(Xa, Xb | XU, xW)를 탐색한다. 핵심 아이디어는 CSI를 “조건부 독립성 I(Xa, Xb | XU) 를 XW = xW 라는 고정된 값으로 제한한 서브분포 p(X \ XW | xW) 에서 검정한다는 점이다. 따라서 기존 검정 방법을 그대로 재사용할 수 있다. CSI가 검정에서 발견되면, CSPC는 현재 특징 집합 F를 해당 컨텍스트에 맞게 일반화한다. 구체적으로, 컨텍스트 xW 를 만족하는 특징 집합 F