데이터합성 - 코풀라 기반 모델 vs 확률적 그래픽 모델 (PGM)

코풀라(Copula) 모델

코풀라(Copula) 모델은 각 변수의 분포와 그 사이의 의존 구조를 따로따로 떼어서 분석, 복잡한 상관관계를 섬세하게 다루는 데 특화되어 있습니다.
- 전통적인 방법: 여러 변수(예: 주식A와 주식B)의 결합분포를 직접 구하려면 그 모든 변수가 동시에 어떻게 움직이는지 복잡하게 계산해야 합니다.
- 코풀라 방법: 각각의 변수는 자기만의 분포(마진 분포)를 적당한 방식으로 각각 추정하고, 이들 사이의 종속 구조(의존성)는 코풀라 함수라는 한 가지 별개의 함수로 따로 모델링합니다
코풀라를 활용하면,
- 각 변수의 기본적인 분포와
- 변수들 사이의 ‘복잡한 연결’(의존성)을
  ‘따로따로 간단하게’ 다룬 후 마지막에 합칠 수 있으니, 여러 변수의 의존 구조를 훨씬 직관적이면서도 유연하게 모델링할 수 있는 것입니다.

확률적 그래픽 모델(Probabilistic Graphical Model, PGM)

확률적 그래픽 모델(Probabilistic Graphical Model, PGM) 은 여러 변수가 서로 어떻게 연결되는지 전체 그림(구조도)로 표현하며, 직관적으로 전체 분포나 추론, 계산에 적합합니다.
- 복잡한 확률 분포(결합분포)를 작은 단위들의 곱(product of small factors)으로 효과적으로 분해하여 표현할 수 있습니다.
- 그래프를 통해 조건부 독립성이나 인과성 같은 관계를 직관적으로 파악할 수 있습니다.
- 머신러닝, 통계, 인공지능 등 다양한 분야에서 패턴 인식·예측·추천 시스템 등에 널리 응용됩니다.
- 예시) "비가 온다"→"길이 미끄럽다"→"사고 확률이 높아진다" 식의 인과관계를 베이지안 네트워크로 표현할 수 있습니다.

1. 코풀라 기반 모델 (Copula-based Models)

코풀라 기반 모델은 여러 확률 변수의 결합 분포를 주변 분포(marginal distribution)와 상관 구조(copula)로 분리하여 모델링합니다.
이때 각 주변 분포는 독립적으로 추정되며, 상관 구조는 단위 구간에서 균일 분포를 갖는 누적 분포 함수(CDF)인 코풀라로 표현됩니다.

목적: 여러 확률 변수(예: 키와 체중, 주가와 금리 등) 사이의 복잡한 상관관계를 유연하게 모델링하기 위해 사용.

핵심 개념: 각각의 변수 자체 분포(=마진 분포)는 그대로 두되, 변수들 사이의 의존 구조만 따로 함수(copula)로 표현하는 방식.

어떻게 활용?
예를 들어, A와 B 두 변수가 있다고 하면, 각 변수의 개별적인 분포는 서로 다를 수 있으며, 코풀라 함수가 A와 B가 어떻게 같이 커지는지(혹은 따로 노는지) 같은 종속성을 잡아줍니다.
실제 금융, 신용 위험 평가, 다양한 변수의 동시 발생 확률을 시뮬레이션할 때 흔히 쓰입니다.

장점:
기존 ‘상관계수’ 하나로는 설명 못하는 복잡한 의존성(특히 꼬리 위험 등 극단적 상황)까지 모델링 가능.
마진 분포와 상관 구조 분리라는 명확한 장점이 있어서 여러 변수 간 관계를 더 유연하게 조절할 수 있습니다.

작동 원리

주변 분포 (F_{X_i}(x_i))를 개별적으로 추정
Sklar 정리에 따라
[ F_{X_1,\dots,X_d}(x_1,\dots,x_d) = C\bigl(F_{X_1}(x_1),\dots,F_{X_d}(x_d)\bigr) ]
로 결합 분포를 재구성
상관 구조 (C)는 Gaussian, t-코풀라, Archimedean 코풀라 등으로 선택
What is Copula?

장점

주변 분포와 상관 구조를 분리해 유연한 모델링
비정규 분포나 꼬리 의존성(tail dependence) 표현 가능
비교적 적은 차원에서도 안정적 추정

사용 예시

금융 리스크 관리: 자산 수익률 간 꼬리 의존성 분석
보험 계리: 다변량 손해 분포 모델링
환경 통계: 강수량·유량 간 상관 구조 파악

각자 취향을 따로 파악 영화를 볼 때 사람마다 좋아하는 장르나 재미 포인트가 다르듯,
코풀라는 각 변수의 분포(“취향”)를 먼저 따로 알아봐요.

* 친구 사이의 관계만 따로 본다

“A와 B는 얼마나 비슷한 취향을 가졌나?”를 측정하는 게 상관 구조(copula)
취향(분포)과 관계(상관)를 분리해서 모델링

* 언제 쓰면 좋을까?

투자할 때 서로 다른 자산 수익률의 극한 상황(꼬리) 의존성 보기 보험에서 여러 사고가 동시에 터질 확률 추정

2. 확률적 그래픽 모델 (Probabilistic Graphical Models, PGM)

확률적 그래픽 모델은 확률 변수 간 조건부 독립성을 그래프 이론으로 표현한 통계 모델입니다.
노드는 확률 변수를, 엣지는 변수 간 직접 의존 관계를 나타냅니다.
(각 확률 변수 사이의 관계 구조를 그림(그래프)으로 표현해서, 복잡한 확률 시스템을 설계, 해석, 추론, 학습하는 고효율적 도구입니다.)

목적: 서로 연결된 확률 변수들의 집합(=복잡한 시스템)에서 전체 분포를 효과적으로 표현·추론하기 위해 사용.

핵심 개념:
- 노드(node): 확률 변수 하나(또는 변수 집합)를 뜻합니다.
- 엣지(링크, edge): 각 변수들 간의 확률적 관계(의존성·상호작용)를 나타냅니다.
- 그래프의 연결 방식이 곧 데이터(확률 변수들) 간의 조건부 독립성, 인과성 등을 의미
- 그래프 위에 각 확률 변수를 노드(node)로, 변수들 사이의 직접적 상관(조건부 의존)은 링크(edge)로 표현.
- 복잡한 결합 확률 분포(joint probability distribution)를 변수 그룹 간의 곱으로 분해해서 표시.

주요 예시 모델:
- 베이지안 네트워크: 방향성이 있는 그래프(원인-결과 방향이 있음).
- 마르코프 랜덤 필드: 방향성 없는 그래프(주변 변수들과의 제약 관계에 포커스).

장점:
- 모델의 구조를 시각적으로 한눈에 파악할 수 있고,
- 조건부 독립성과 같은 성질을 쉽게 파악하며,
- 복잡한 추론과 계산이 그래프 조작으로 단순화됨.

작동 원리

방향성 그래프(Bayesian Network) 또는 무향성 그래프(Markov Random Field)로 구성
각 노드 (X_i)의 국소적 분포를 설정
- Bayesian Network: (P(X_i \mid \text{Parents}(X_i)))
- MRF: 잠재 함수(potential function) 통해 전체 분포 구성

전역 결합 분포는 그래프 구조에 따라 곱셈 또는 지수 형태로 결합


구분	기술	특징.예시
방향성 그래프	베이지안 네트워크	각 변수 사이의 인과관계(방향)가 있음. 예: 원인→결과 관계, 사건의 순서 등 표현 가능. 비교적 직관적이고 설명력 높음.
비방향성 그래프	마르코프 랜덤 필드	변수 간 상호 의존성 있지만, 인과(방향)는 없음. 복잡한 상호작용이나 제약관계(네트워크 등) 모델링에 적합.

장점

복잡한 조건부 독립 구조를 명시적으로 표현
효율적 추론(inference)알고리즘: 변수 제거(variable elimination), 메시지 패싱
구조 학습(structure learning)을 통해 인과 관계 탐색 가능

사용 예시

자연어 처리: 단어 간 의존성 모델링
컴퓨터 비전: 이미지 픽셀 간 공간적 상관 구조
유전자 네트워크 분석: 유전자 발현 데이터의 인과 관계

그림(그래프)으로 보여주는 인과·의존 지도
노드(node)는 ‘변수’, 선(edge)은 ‘직접 이어진 관계’를 뜻해요.

* 조건부 독립성을 활용

“C를 알면 A와 B가 더는 직접적으로 안 섞인다” 같은 관계를 그림 구조로 표현

이 덕분에 복잡한 확률 계산을 단계별로 쪼개서 쉽게 가능

* 언제 쓰면 좋을까?

문장 속 단어들의 관계를 모델링할 때유전자 네트워크처럼 변수들이 복잡하게 얽힌 상황을 풀 때

3. 주요 차이점 비교


구분	코풀라 (Copula) 기반 모델	확률적 그래픽 모델 (PGM)
기본 개념	각 변수의 분포 → 변수들 간의 관계 (주변 분포 + 상관 구조 분리)	변수들 간의 관계 구조(그래프) ( 조건부 독립성 기반 그래프 표현)
모델 장단점	분포·상관을 분리해 꼬리 의존성 표현 탁월	복잡한 조건부 독립성을 단계별 계산 가능
수학적 표현	Sklar 정리 (,F=C\circ(F_1,\dots))	베이즈 정리(Bayesian), 마코프 성질(Markov) Bayesian Network: (P=\prod P_i) MRF: (P\propto\prod \psi)
의존성 표현	꼬리 의존성, 비선형 상관 등 유연	구조 기반, 주로 국소적 의존성 표현
추론(부트스트랩)·추정 방법	주변 분포 추정 후 코풀라 파라미터 추정	구조 학습 + 파라미터 학습, 메시지 패싱, 변분 추론 등
머신러닝 통합 가능성	제한적 (특화된 코풀라 회귀 등)	딥러닝(그래픽 모델⇄신경망) 결합 활발
확장성 및 복잡도	차원 증가 시 계산 복잡도 부담 급증	희소 그래프 구조 시 확장성 우수 복잡 그래프는 계산 부담

4. 추가 고려사항 및 확장 주제

Vine Copula: 고차원 상관 구조를 여러 개별 코풀라로 계층화해 확장
동적 PGM: 시계열 데이터에 맞춘 Dynamic Bayesian Network, Conditional Random Field
하이브리드 모델: 코풀라를 PGM의 잠재 함수로 활용하여 꼬리 의존성 강화
추론 가속화: 변분 추론(Variational Inference), 마르코프 연쇄 몬테카를노(MCMC) 기법 비교

이 외에도 실제 적용 과정에서 샘플 크기, 모델 선택 기준(AIC, BIC), 검증 방법(교차 검증, 부트스트랩) 등을 고려하면 더욱 깊이 있는 분석이 가능합니다.

728x90

저작자표시 비영리 동일조건 (새창열림)