전문가 지식 기반 베이지안 네트워크 자동 미세조정

본 논문은 의료 분야에서 전문가가 직접 설계한 베이지안 네트워크를 초기 구조로 활용하고, 이를 자동으로 미세조정하는 시스템인 ExpertBayes를 제안한다. 베이지안 네트워크는 변수 간 인과 관계를 방향성 있는 비순환 그래프로 표현하며, 각 노드에 조건부 확률표(CPT)를 부여한다. 전통적인 구조 학습은 데이터만을 이용해 빈 그래프 혹은 나이브 베이즈 구조에서 시작해 탐색 공간을 전부 혹은 일부 탐색한다. 그러나 탐색 공간이 조합적으로 급증하기 때문에 연산 비용이 크게 소모되고, 데이터만으로 학습된 구조는 도메인 전문가에게 직관적으로 이해되기 어려운 경우가 많다. ExpertBayes는 이러한 문제를 해결하기 위해 ‘전문가가 만든 초기 네트워크’를 그대로 유지하면서, 작은 변형(삽입, 제거, 역전)만을 무작위로 적용한다. 변형은 노드 쌍을 무작위로 선택하고, 기존에 간선이 있으면 제거 혹은 방향을 뒤집고, 없으면 새 간선을 삽입한다(방향도 무작위). 변형 후 사이클이 발생하면 연산을 취소한다. 변형이 클래스 변수의 마코프 블랭킷에 영향을 주면 해당 노드들의 CPT를 학습 데이터로 재추정한다. 이후 학습 데이터에 대해 정확도(CCI, 임계값 0.5)를 계산하고, 현재 최고 점수보다 좋으면 베스트 네트워크를 교체한다. 이 과정을 사전에 정의된 반복 횟수(N)만큼 수행한 뒤, 최종 베스트 네트워크를 시험 데이터에 적용해 성능을 평가한다. 실험은 세 개의 실제 의료 데이터셋(프로스테이트 암, 유방암(1), 유방암(2))에 대해 5‑fold 교차 검증을 수행하였다. 각 데이터셋은 두 클래스(생존/비생존, 악성/양성)로 라벨링되어 있으며, 변수는 임상·영상 특징을 포함한다. 원본 전문가 모델, ExpertBayes가 도출한 최적 모델, 그리고 WEKA의 K2와 TAN 두 자동 학습 알고리즘을 비교하였다. 성능 지표는 CCI(정확도)와 Precision‑Recall 곡선이다. 프로스테이트 암에서는 원본 74%에서 ExpertBayes 76%로 소폭 상승했으며, 통계적으로 유의미했다(p<0.01). 유방암(1)에서는 원본 49% 대비 ExpertBayes 63%로 큰 폭 개선을 보였고, K2(59%)와 TAN(57%)보다도 우수했다(p<0.004, p<0.002). 유방암(2)에서는 자동 학습(K2 80%, TAN 79%)이 ExpertBayes(64%)보다 높았지만, 원본 대비 개선 효과는 여전히 존재했다(p<0.009). Precision‑Recall 분석에서도 ExpertBayes가 동일 재현율 수준에서 더 높은 정밀도를 제공, 특히 임상 현장에서 불필요한 검사·치료를 줄이는 데 기여할 수 있음을 시사한다. 알고리즘의 장점은 (1) 연산 비용이 매우 낮다—무작위 한 번의 변형만 수행하므로 탐색 시간이 짧다, (2) 원본 네트워크의 의미를 크게 훼손하지 않는다—변형이 최소 수준이며 전문가가 직접 검토·수정 가능, (3) 인터랙티브 UI를 제공해 전문가가 직접 네트워크를 조작하고 결과를 즉시 확인할 수 있다. 한계점으로는 변형 탐색이 무작위이므로 전역 최적을 보장하지 못하고, 반복 횟수에 따라 성능 변동이 있을 수 있다. 또한 현재는 이진 클래스 변수에 초점을 맞추고 있어 다중 클래스 혹은 연속형 목표 변수에 대한 확장은 추가 연구가 필요하다. 결론적으로, ExpertBayes는 ‘전문가 지식 + 자동 미세조정’이라는 하이브리드 접근법을 통해 베이지안 네트워크 학습의 효율성과 해석 가능성을 동시에 향상시킨다. 초기 구조를 활용함으로써 탐색 공간을 크게 축소하고, 작은 변형만으로도 데이터에 맞는 보다 정확한 모델을 얻을 수 있다. 향후 연구에서는 변형 연산을 정보 이득 기반으로 가중화하거나, 베이지안 최적화와 결합해 탐색 효율을 더욱 높이는 방안을 모색할 수 있다.