합곱 네트워크와 베이지안 네트워크의 관계

본 논문은 합-곱 네트워크(SPN)와 베이지안 네트워크(BN) 사이의 이론적 관계를 심도 있게 탐구한다. 서론에서는 SPN이 최근 확률 추론 분야에서 선형 시간 내에 정확한 추론을 가능하게 하는 모델로 주목받고 있음을 언급하면서, SPN과 전통적인 베이지안 네트워크 간의 표현력 차이와 변환 가능성에 대한 기존의 의문점을 제시한다. 특히, 기존 BN이 테이블식 CPD를 사용하면 CSI를 활용하지 못해 SPN에 비해 지수적 규모의 폭발이 발생할 수 있다는 점을 지적한다. 관련 연구 파트에서는 정확한 가중치 모델 카운팅, 지식 컴파일(예: BDD, d‑DNNF, AC)과 SPN 사이의 연관성을 정리하고, AC와 SPN이 상호 변환 가능하다는 최근 결과를 인용한다. 이를 바탕으로 SPN과 BN 사이의 변환을 위한 새로운 접근법이 필요함을 강조한다. 핵심 기여는 네 가지로 정리된다. 첫째, SPN을 BN으로 변환하는 구성적 알고리즘을 제시한다. 변환 과정에서 각 SPN의 합 노드와 곱 노드를 각각 잠재 변수와 관측 변수 층에 매핑하고, 각 BN 노드의 조건부 확률분포를 알제브라 결정 다이어그램(ADD)으로 표현한다. ADD는 변수마다 가능한 값 수만큼의 아웃‑에지를 가질 수 있어 CSI를 자연스럽게 인코딩하며, 테이블식 CPD가 겪는 복제 문제를 회피한다. 변환 알고리즘은 SPN의 노드 수에 비례하는 연산만을 수행하므로 시간·공간 복잡도가 O(|S|)이다. 둘째, 변환된 BN에 대해 변수 소거(VE) 알고리즘을 적용하고, 각 단계에서 ADD 연산(곱셈·합산)을 수행함으로써 원본 SPN을 그대로 복원한다는 사실을 증명한다. VE 과정에서 생성되는 중간 ADD는 SPN의 부분 트리와 동일한 구조를 가지며, 이는 SPN이 VE 과정의 메모이제이션 결과라는 새로운 해석을 제공한다. 셋째, ‘정규(normal) SPN’이라는 서브클래스를 정의한다. 정규 SPN은 모든 합 노드가 동일한 스코프를 갖고, 곱 노드가 스코프를 완전히 분리하는 형태이다. 일반 SPN을 정규 형태로 변환하는 알고리즘은 O(|S|²)의 복잡도를 가지지만, 변환 후 얻어지는 BN은 구조적으로 더 단순해진다. 정규 SPN은 BN 변환 과정에서 중간 단계 역할을 수행함을 증명한다. 넷째, SPN의 깊이와 변환된 BN의 트리폭 사이의 정량적 관계를 제시한다. 깊이가 d인 정규 SPN은 최소 트리폭 ⌈log₂ d⌉ 이상의 BN을 필요로 함을 보이며, 이는 깊이가 깊을수록 BN의 구조적 복잡도가 증가한다는 직관과 일치한다. 이 결과는 SPN 설계 시 깊이와 복잡도 사이의 트레이드오프를 정량적으로 평가하는 데 활용될 수 있다. 실험적 검증 파트는 포함되지 않았지만, 저자들은 기존 SPN 학습 알고리즘(예: Dennis & Ventura, Gens & Domingos, Peharz 등)으로 학습된 모델을 제시된 변환 절차에 적용하면, 동일한 확률 분포를 표현하는 BN을 손쉽게 얻을 수 있음을 논리적으로 설명한다. 결론에서는 SPN과 BN 사이의 양방향 변환이 가능함을 강조하고, ADD를 활용한 CPD 표현이 CSI를 효율적으로 다루는 핵심 기술임을 재확인한다. 또한, 이론적 결과가 BN 구조 학습, 파라미터 추정, 그리고 복합 모델 설계에 새로운 연구 방향을 제시한다는 점을 강조한다.