클래스 변수 파라미터 최소화를 위한 베이지안 네트워크 분류기 학습

섹션별 상세

클래스 변수가 부모 노드를 갖지 않는 모든 가능한 베이지안 네트워크 구조 중에서 클래스 변수와 관련된 파라미터 수를 최소화하는 새로운 분류기 모델을 정의했다. 이 모델은 데이터가 증가함에 따라 실제 확률 분포에 수렴하는 점근적 추정 성능을 이론적으로 보장한다.

최적의 네트워크 구조를 효율적으로 식별하기 위해 깊이 우선 탐색(DFS) 기반의 방법론을 개발했다. 이 알고리즘은 탐색 공간을 체계적으로 분할하고 파라미터 제약 조건을 만족하는 최적의 그래프 구조를 찾아낸다.

복잡한 구조 최적화 문제를 수리적으로 해결하기 위해 정수 계획법(Integer Programming) 기반의 모델링 기법을 제안했다. 이는 수학적 최적화 솔버를 활용하여 대규모 변수를 가진 네트워크에서도 파라미터가 최소화된 구조를 도출할 수 있게 한다.

제안된 두 가지 탐색 방법은 모두 이론적으로 참된 확률 분포를 점근적으로 얻을 수 있음을 보장하며, 동시에 모델의 복잡도를 결정하는 클래스 변수 파라미터 수를 최소화하도록 설계되었다.

베이지안 네트워크(Bayesian Network): — 변수들 간의 조건부 확률적 의존 관계를 방향성 비순환 그래프(DAG)로 나타낸 확률 모델이다. 복잡한 데이터 구조 내에서 인과 관계를 추론하고 결합 확률 분포를 효율적으로 계산하는 데 사용된다.
점근적 추정(Asymptotic Estimation): — 데이터 표본의 크기가 무한히 커짐에 따라 추정치가 실제 모집단의 확률 분포나 모수에 수렴하는 성질을 의미한다. 통계적 모델이 충분한 데이터를 확보했을 때 이론적으로 정확한 결과를 낼 수 있음을 보장한다.
정수 계획법(Integer Programming): — 최적화 문제에서 변수값이 정수로 제한되는 수리 계획법의 일종이다. 베이지안 네트워크의 구조 탐색과 같이 선택지가 불연속적인 조합 최적화 문제를 해결할 때 강력한 도구로 활용된다.
클래스 변수(Class Variable): — 분류 모델에서 예측하고자 하는 최종 목표 범주를 나타내는 변수이다. 베이지안 네트워크 분류기 구조 내에서 다른 특징 변수들과의 관계를 통해 사후 확률이 계산되는 핵심 요소이다.

베이지안 네트워크(Bayesian Network): — 변수들 간의 조건부 확률적 의존 관계를 방향성 비순환 그래프(DAG)로 나타낸 확률 모델이다. 복잡한 데이터 구조 내에서 인과 관계를 추론하고 결합 확률 분포를 효율적으로 계산하는 데 사용된다.
점근적 추정(Asymptotic Estimation): — 데이터 표본의 크기가 무한히 커짐에 따라 추정치가 실제 모집단의 확률 분포나 모수에 수렴하는 성질을 의미한다. 통계적 모델이 충분한 데이터를 확보했을 때 이론적으로 정확한 결과를 낼 수 있음을 보장한다.
정수 계획법(Integer Programming): — 최적화 문제에서 변수값이 정수로 제한되는 수리 계획법의 일종이다. 베이지안 네트워크의 구조 탐색과 같이 선택지가 불연속적인 조합 최적화 문제를 해결할 때 강력한 도구로 활용된다.
클래스 변수(Class Variable): — 분류 모델에서 예측하고자 하는 최종 목표 범주를 나타내는 변수이다. 베이지안 네트워크 분류기 구조 내에서 다른 특징 변수들과의 관계를 통해 사후 확률이 계산되는 핵심 요소이다.