← 목록으로
AI·데이터
#베이지안네트워크#확률그래프모델#조건부독립#베이즈정리#인과추론
최종 업데이트 · 2026-11-13

베이지안 네트워크(Bayesian Network)

1. 개요

가. 정의

다수의 확률 변수 사이의 조건부 의존·독립 관계를 방향성 비순환 그래프(DAG, Directed Acyclic Graph)로 표현하고, 각 변수에 조건부 확률분포(CPD, Conditional Probability Distribution) 를 부여하여 전체 결합확률분포(joint distribution)를 간결하게 분해(factorization)·추론하는 확률 그래프 모델(PGM, Probabilistic Graphical Model)이다.

베이지안 네트워크의 핵심은 '불확실성을 정량적으로 다루면서도 모델을 사람이 읽을 수 있게 만든다'는 데 있다. 노드는 변수(예: 질병·증상·검사결과), 간선(화살표)은 직접적인 확률적 영향을 나타내므로, 전문가는 그래프만 보고도 "어떤 요인이 어떤 결과에 직접 영향을 주는가"를 한눈에 파악할 수 있다. 수백만 개의 가중치가 비선형으로 얽혀 판단 근거를 사후에 추적하기 어려운 심층 신경망(블랙박스)과 달리, 베이지안 네트워크는 구조 자체가 도메인 지식의 명시적 표현이며 추론 결과를 확률값과 경로로 설명할 수 있다.

또 하나의 결정적 강점은 양방향 추론이다. 원인에서 결과로 내려가는 예측(predictive) 추론과, 관측된 결과로부터 원인의 확률을 역으로 갱신하는 진단(diagnostic) 추론을 동일한 모델로 수행한다. 예컨대 "흡연이 폐암 확률을 얼마나 높이는가"뿐 아니라 "흉부 X선이 비정상일 때 폐암일 확률은 얼마인가"를 베이즈 정리로 일관되게 계산한다. 이 때문에 의료 진단, 설비 고장 진단, 신용 위험 평가처럼 근거 제시와 불확실성 추정이 동시에 요구되는 영역에서 꾸준히 활용된다.

나. 등장 배경 및 필요성

n개의 이진 변수로 이루어진 시스템의 완전한 결합확률분포를 그대로 표에 담으면 2^n − 1개의 확률값이 필요하다. 변수가 30개만 되어도 10억 개가 넘는 값을 저장·추정해야 하므로 메모리·데이터 양 측면에서 현실적으로 불가능하다. 1980년대 주디아 펄(Judea Pearl)은 변수 사이에 존재하는 조건부 독립(conditional independence) 을 그래프로 포착하면 결합분포를 각 노드의 지역적 조건부확률의 곱으로 분해할 수 있음을 보였고, 이로써 지수적 복잡도를 선형에 가깝게 낮출 수 있는 길을 열었다. 이는 불확실성 하의 추론을 '계산 가능한 문제'로 바꾼 전환점이었다.

규칙 기반 전문가 시스템이 1980년대에 한계를 드러낸 것도 배경이다. "IF 증상 THEN 질병(확신도 0.7)" 식의 확신도(certainty factor) 조합은 수학적 일관성이 없어, 규칙이 늘수록 모순된 결론을 냈다. 베이지안 네트워크는 확률 공리에 기반해 일관성 있게 불확실성을 결합하므로, 이 문제를 근본적으로 해소했다. 데이터가 일부 결측(missing)되어도 확률적으로 주변화(marginalization)하여 추론을 이어갈 수 있다는 점도, 완전한 입력을 전제하는 결정론적 모델 대비 실무적 이점이다.

다. 주요 특징

베이지안 네트워크는 몇 가지 구별되는 성질을 갖는다. 첫째, 모듈성(modularity) 이다. 각 노드의 조건부확률은 그 노드의 부모에만 의존하므로, 시스템 일부가 바뀌어도 해당 지역 표만 갱신하면 되어 유지보수가 쉽다. 둘째, 지식과 데이터의 융합이다. 전문가가 아는 인과 구조는 그래프로 직접 입력하고, 모르는 부분의 확률은 데이터로 학습해 두 원천을 하나의 모델에 자연스럽게 결합한다. 셋째, 증거의 점진적 반영이다. 새 관측이 들어올 때마다 사후확률을 갱신(belief updating)하므로, 실시간으로 쌓이는 증거에 따라 판단을 연속적으로 조정하는 온라인 진단에 적합하다. 이러한 특징들은 뒤에서 다룰 구조·추론·학습 원리의 바탕이 된다.

2. 전체 구조 및 구성요소

베이지안 네트워크는 정성적 요소(그래프 구조) 와 정량적 요소(조건부 확률표) 의 결합으로 정의된다. 구조는 변수 간 인과·의존 관계의 뼈대를 이루고, 확률표는 그 관계의 세기를 수치로 채운다. 아래는 고전적 예인 '폐질환 진단망'을 단순화한 전체 구조도이다.

flowchart TB
  S["흡연(Smoking)"] --> C["폐암(Cancer)"]
  P["대기오염(Pollution)"] --> C
  C --> X["흉부 X선(X-ray 이상)"]
  C --> D["호흡곤란(Dyspnea)"]
  B["기관지염(Bronchitis)"] --> D
  S --> B
  style C fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style S fill:#fef7e0,stroke:#f9ab00

위 구조도에서 각 요소의 의미는 다음과 같다. 노드(Node) 는 확률 변수로, 참·거짓 같은 상태(state)를 갖는다. 간선(Edge) 은 부모에서 자식으로 향하는 화살표이며 직접적인 확률적 영향을 뜻한다. '흡연 → 폐암'은 흡연 여부가 폐암 확률에 직접 영향을 줌을, '폐암 → 흉부 X선'은 폐암이 검사 결과에 영향을 줌을 나타낸다. 부모(parent)가 없는 노드(흡연·대기오염)에는 사전확률(prior)이, 부모가 있는 노드에는 부모 상태 조합별 조건부확률이 부여된다. 구조가 반드시 비순환(acyclic) 이어야 하는 이유는, 순환이 생기면 "A가 B를, B가 다시 A를 조건짓는" 정의 불가능한 재귀가 발생해 결합분포의 분해가 성립하지 않기 때문이다.

구성 요소 설명 역할
노드(Node) 확률 변수(이산/연속) 도메인 개념을 변수로 표현
간선(Edge) 부모→자식 방향 화살표 직접적 조건부 의존 관계
사전확률(Prior) 부모 없는 노드의 확률 근본 원인 변수의 기저 확률
조건부확률표(CPT) 부모 조합별 자식 확률 관계의 세기를 정량화

정량적 요소인 CPT(Conditional Probability Table) 는 각 노드가 자신의 부모 값 조합마다 어떤 확률로 각 상태를 갖는지 표로 담는다. 예를 들어 '폐암' 노드는 부모인 흡연·대기오염의 네 가지 조합(참/참, 참/거짓, 거짓/참, 거짓/거짓)마다 폐암=참일 확률을 지정한다. 아래는 그 CPT를 예시 수치로 채운 것이다.

흡연(S) 대기오염(P) P(폐암=참) P(폐암=거짓)
참 참 0.12 0.88
참 거짓 0.08 0.92
거짓 참 0.03 0.97
거짓 거짓 0.01 0.99

위 표에서 각 행의 확률 합이 1이 되어야 한다는 점은 확률분포로서의 기본 제약이다. 흡연·대기오염이 모두 참일 때 폐암 확률(0.12)이 둘 다 거짓일 때(0.01)보다 크게 높아, 두 원인이 결합해 위험을 키운다는 도메인 지식이 수치로 드러난다. 부모가 k개이고 각 변수가 이진이면 CPT 크기는 2^k에 비례하므로, 부모 수가 많은 노드는 파라미터가 급증한다. 이 때문에 실무에서는 Noisy-OR 같은 정준 분포(canonical distribution) 로 CPT를 압축해, 각 원인이 독립적으로 결과를 일으킨다는 가정 아래 파라미터 수를 선형으로 줄이기도 한다.

전체 결합확률분포는 연쇄 법칙(chain rule for Bayesian networks) 에 따라 각 노드의 조건부확률의 곱으로 분해된다. 즉 P(X₁,…,Xₙ) = ∏ᵢ P(Xᵢ | Parents(Xᵢ))로 표현된다. 위 예에서 P(S,P,C,B,X,D) = P(S)·P(P)·P(C|S,P)·P(B|S)·P(X|C)·P(D|C,B)가 된다. 모든 변수의 완전한 표(2⁶−1=63개)를 대신해, 각 노드의 작은 지역 표만으로 전체 분포를 복원할 수 있다는 점이 베이지안 네트워크가 가져온 표현의 경제성(compactness) 의 핵심이다.

3. 핵심 원리: 조건부 독립과 d-분리

베이지안 네트워크의 추론 효율은 그래프에 내장된 조건부 독립성에서 나온다. 특정 변수를 관측(조건)했을 때 어떤 변수들이 서로 독립이 되는지를 그래프 경로만으로 판정하는 규칙이 d-분리(d-separation) 이다. d-분리는 세 가지 기본 연결 구조로 설명된다.

flowchart LR
  subgraph Chain["연쇄(Chain) A→B→C"]
    A1["A"] --> B1["B(관측)"] --> C1["C"]
  end
  subgraph Fork["분기(Fork) A←B→C"]
    B2["B(공통원인)"] --> A2["A"]
    B2 --> C2["C"]
  end
  subgraph Collider["충돌(Collider) A→B←C"]
    A3["A"] --> B3["B(공통결과)"]
    C3["C"] --> B3
  end

위 세부도의 각 구조가 전달하는 의미는 다음과 같다. 연쇄(A→B→C) 와 분기(A←B→C) 에서는 가운데 변수 B를 관측하면 A와 C가 조건부 독립이 된다. 즉 중간 원인이나 공통 원인을 알고 나면, 양 끝 변수는 더 이상 서로의 정보를 주지 않는다. 반대로 충돌(A→B←C) 구조에서는 평소 A와 C가 독립이지만, 공통 결과 B(또는 그 자손)를 관측하는 순간 A와 C 사이에 의존이 '생겨난다'. 이를 설명 배제(explaining away) 라 한다. 예컨대 폐암과 기관지염은 서로 독립이어도, '호흡곤란'이 관측되면 "폐암이 설명해 주므로 기관지염일 확률이 낮아지는" 식의 상호작용이 발생한다. 이 직관에 반하는 현상을 수학적으로 정확히 포착하는 것이 베이지안 네트워크의 강력함이다.

조건부 독립이 중요한 실무적 이유는 추론 비용과 직결되기 때문이다. 관측 증거가 주어졌을 때 독립이 성립하는 변수들은 계산에서 분리할 수 있어, 전체 분포를 다 펼치지 않고도 필요한 주변·사후 확률만 계산할 수 있다. 변수 소거(Variable Elimination) 같은 정확 추론 알고리즘은 이 독립성을 이용해 곱-합 연산의 순서를 최적화하며, 그 효율은 그래프의 트리폭(treewidth) 에 의해 결정된다.

d-분리가 주는 또 다른 실무적 함의는 모델 검증이다. 그래프가 함의하는 조건부 독립 관계를 데이터로 검정(예: 카이제곱 독립성 검정)해, 모델이 데이터와 모순되지 않는지 점검할 수 있다. 예컨대 'X선 이상'과 '호흡곤란'이 폐암을 알고 나면 독립이어야 한다는 그래프의 주장을, 실제 데이터에서 조건부 상관이 유의하게 남아 있는지로 반증할 수 있다. 조건부 독립이 데이터에서 성립하지 않으면 누락된 간선이나 숨은 교란 변수를 의심해 구조를 재설계하는 단서가 된다. 이렇게 그래프는 단순한 그림이 아니라, 검정 가능한 가설의 집합으로 기능한다.

4. 추론·학습의 유형과 절차

베이지안 네트워크의 활용은 크게 추론(inference) 과 학습(learning) 으로 나뉜다. 추론은 모델이 주어졌을 때 증거로부터 질의 변수의 사후확률을 구하는 문제이고, 학습은 데이터로부터 구조와 파라미터를 추정하는 문제이다.

진단 추론의 작동을 간단한 수치로 보면 직관이 분명해진다. 어떤 질병의 유병률이 1%(사전확률 P(D)=0.01)이고, 검사의 민감도 P(양성|D)=0.9, 거짓양성률 P(양성|¬D)=0.05라고 하자. 검사가 양성일 때 실제 질병일 사후확률은 베이즈 정리로 P(D|양성) = (0.9×0.01) / (0.9×0.01 + 0.05×0.99) ≈ 0.154, 즉 약 15%에 불과하다. 검사 성능이 좋아 보여도 유병률이 낮으면 양성의 대부분이 거짓양성이라는 반직관적 결과가 나오며, 베이지안 네트워크는 이런 사전확률의 영향을 자동으로 반영해 과잉 진단을 막아 준다. 노드가 많아지면 이 계산이 여러 변수에 걸쳐 연쇄되는데, 바로 그 지점에서 효율적 추론 알고리즘이 필요해진다.

추론은 정확 추론과 근사 추론으로 구분된다. 정확 추론에는 변수 소거(Variable Elimination)와, 그래프를 트리 구조로 묶어 메시지를 전파하는 정크션 트리(Junction Tree, Belief Propagation)가 있다. 변수 소거는 질의와 무관한 변수를 하나씩 합(summation)으로 제거하며 중간 결과(factor)를 재사용해 중복 계산을 줄이고, 정크션 트리는 그래프를 클리크(clique) 단위로 묶어 한 번의 전파로 모든 질의에 답할 수 있게 한다. 그러나 일반 그래프에서 정확 추론은 NP-난해(NP-hard) 이므로, 변수가 많고 연결이 조밀하면 현실적으로 쓰기 어렵다. 이때 근사 추론으로 전환한다. 깁스 샘플링(Gibbs Sampling)·중요도 표집(Importance Sampling) 같은 몬테카를로 기반 표집이나 변분 추론(Variational Inference)으로, 정확도를 다소 양보하고 계산 가능성을 확보한다. 표집법은 네트워크에서 많은 가상 표본을 생성해 질의 사건의 빈도로 확률을 근사하므로, 표본 수를 늘릴수록 정확해지지만 그만큼 시간이 든다. 실제 의료·공정 진단망은 수백 개 노드에 달해 근사 추론이 표준이다.

구분 방법 특징·용도
정확 추론 변수 소거·정크션 트리 소규모·희소 그래프, 정확한 사후확률
근사 추론 깁스/중요도 표집, 변분추론 대규모·조밀 그래프, 속도 우선
파라미터 학습 MLE·베이지안 추정(사전분포) 구조는 알고 CPT만 추정
구조 학습 점수 기반·제약 기반 탐색 데이터에서 그래프 자체를 발견

학습 절차는 다음과 같이 전개된다. 파라미터 학습은 구조가 주어졌을 때 각 CPT 값을 추정하는 단계로, 데이터가 완전하면 최대우도추정(MLE)으로 빈도를 세면 되고, 데이터가 희소하면 디리클레 사전분포를 결합한 베이지안 추정(사후 평균) 으로 과적합을 완화한다. 결측이 있으면 EM(기댓값 최대화) 알고리즘으로 은닉 변수를 반복 추정한다. 구조 학습은 더 어려운 문제로, 가능한 DAG의 수가 변수 개수에 대해 초지수적으로 증가한다. 이를 BIC·BDeu 같은 점수함수를 최대화하는 점수 기반 탐색(힐클라이밍 등) 이나, 조건부 독립 검정으로 간선을 가감하는 제약 기반(PC 알고리즘) 방법으로 근사적으로 탐색한다. 실무에서는 데이터만으로 구조를 세우기보다, 도메인 전문가의 인과 지식으로 뼈대를 고정하고 데이터로 CPT를 채우는 혼합 방식이 가장 신뢰성이 높다.

5. 유사 모델과의 비교

베이지안 네트워크의 위치를 이해하려면 인접 모델과의 차이를 그 차이가 생기는 이유와 함께 보아야 한다. 가장 자주 비교되는 것은 나이브 베이즈 분류기이다. 나이브 베이즈는 "모든 입력 특징이 클래스가 주어지면 서로 독립"이라는 강한 가정을 둔, 사실상 하나의 부모(클래스)가 모든 특징을 자식으로 거느리는 특수한 형태의 베이지안 네트워크이다. 가정이 단순해 학습·추론이 매우 빠르지만, 특징 간 실제 의존을 무시하므로 상관이 큰 데이터에서 성능이 떨어진다. 베이지안 네트워크는 이 독립 가정을 그래프로 '필요한 만큼만' 완화해, 정확도와 복잡도의 균형을 조절할 수 있다.

시계열을 다루는 은닉 마르코프 모델(HMM) 과 칼만 필터는, 시간 축으로 동일한 구조가 반복되는 베이지안 네트워크의 특수형(동적 베이지안 네트워크, DBN)으로 볼 수 있다. 한편 심층 신경망과 비교하면, 신경망은 대규모 비정형 데이터(이미지·음성)에서 예측 정확도가 압도적이지만 설명력이 낮고 불확실성 추정이 불안정하다. 베이지안 네트워크는 정형·소규모 데이터에서 설명력·불확실성 정량화·전문가 지식 결합에 강점을 지닌다. 따라서 둘은 경쟁이 아니라 상호보완이며, 최근에는 신경망의 표현력과 그래프 모델의 해석력을 결합하려는 연구가 활발하다.

아래는 세 모델의 성격을 핵심 축으로 정리한 것이다. 각 차이는 '독립 가정의 강도'와 '데이터 유형'에서 비롯된다.

비교 축 나이브 베이즈 베이지안 네트워크 심층 신경망
변수 독립 가정 매우 강함(전부 독립) 그래프로 선택적 완화 가정 없음(자동 학습)
설명력 중간 높음(구조·확률) 낮음(블랙박스)
적합 데이터 소규모 정형 소·중 정형+전문지식 대규모 비정형
불확실성 추정 가능 명시적·일관적 별도 기법 필요

실무 적용 분야도 폭넓다.

  • 의료 진단: 증상·검사결과로부터 질환의 사후확률을 산출하고, 결측 검사에도 부분 증거로 추론을 이어간다.
  • 설비 고장 진단(PHM): 센서 신호 간 인과망을 세워 고장 부위를 역추적하고 잔여수명을 확률적으로 예측한다.
  • 신용·사기 위험 평가: 거래·행동 변수의 의존 구조를 모델링해 이상 징후의 사후확률을 계산한다.

구체적 수치 사례로, 1990년대 마이크로소프트의 'Lumière 프로젝트'는 사용자의 행동을 베이지안 네트워크로 모델링해 오피스 도움말(클리피)에 적용했고, 의료 분야의 PATHFINDER 시스템은 60여 개 림프절 질환을 수백 개 노드로 모델링해 전문의 수준의 진단 정확도를 달성한 것으로 보고되었다. 설비 분야에서도 원전·항공기 고장 진단에 베이지안 네트워크가 활용되어, 센서 결측이 발생해도 부분 증거만으로 고장 부위의 사후확률을 산출하는 데 쓰인다.

6. 심화: 인과추론과 최신 동향

베이지안 네트워크는 최근 인과추론(Causal Inference) 의 토대로 재조명되고 있다. 주디아 펄이 제시한 인과 그래프(Causal Bayesian Network) 와 do-연산(do-calculus)은, 단순 상관을 넘어 "변수에 개입(intervention)했을 때 결과가 어떻게 바뀌는가"를 그래프에서 계산한다. 관측 데이터만으로는 구분하기 어려운 교란(confounding) 을 그래프 구조로 식별하고 보정할 수 있어, A/B 테스트가 불가능한 정책·의료 의사결정에서 반사실적(counterfactual) 분석의 수단이 된다. 이는 상관관계와 인과관계를 명확히 구분해야 하는 데이터 거버넌스·공정성(fairness) 논의와도 직결된다.

도구·표준 측면에서도 성숙하고 있다. 파이썬 생태계의 pgmpy, bnlearn(R), 마이크로소프트의 DoWhy·EconML, 우버의 CausalML 등은 구조·파라미터 학습과 인과효과 추정을 패키지로 제공한다. 또한 베이지안 딥러닝과의 융합으로, 신경망의 가중치나 중간 표현을 확률변수로 보아 예측 불확실성을 추정하는 방향, 그리고 LLM이 뽑아낸 변수·관계를 인과 그래프의 초기 구조로 활용하고 데이터로 검증·보정하는 LLM-보조 구조 학습 연구가 진행되고 있다. 설명가능 AI(XAI)와 신뢰성 AI가 규제·실무의 요구로 부상하면서, 결과에 확률적 근거와 인과적 서사를 함께 제공하는 베이지안 네트워크의 가치는 오히려 커지는 추세이다.

7. 고려사항 및 시사점

기술사 관점에서 베이지안 네트워크의 도입·운영은 다음을 종합적으로 고려해야 한다.

  • 구조 설계와 전문가 지식의 결합 전략: 데이터 주도 구조 학습은 초지수적 탐색 공간과 표본 부족으로 신뢰도가 낮을 수 있다. 도메인 전문가의 인과 지식으로 핵심 간선을 고정하고, 데이터로 CPT와 나머지 구조를 보정하는 지식-데이터 혼합(hybrid) 접근이 실무 정합성과 설명력을 동시에 확보하는 현실적 전략이다.

  • 추론 복잡도와 확장성의 트레이드오프: 정확 추론은 그래프의 트리폭이 커지면 급격히 느려지고 일반 그래프에서 NP-난해이다. 노드·간선 규모와 응답 시간 요구사항에 따라 정확 추론(변수 소거·정크션 트리)과 근사 추론(표집·변분)을 선택하고, 필요 시 CPT를 Noisy-OR로 압축해 파라미터와 계산량을 함께 제어해야 한다.

  • 데이터 품질·결측·사전분포의 영향: CPT 추정은 표본 수가 적은 조합에서 불안정하다. 디리클레 사전분포로 평활(smoothing)하고, 결측은 EM으로 처리하되, 사전분포의 세기가 결과를 좌우하므로 민감도 분석을 병행해야 한다. 쓰레기 데이터는 그대로 왜곡된 사후확률로 이어진다.

  • 상관과 인과의 구분, 공정성·거버넌스 연계: 데이터에서 학습한 간선은 인과가 아닌 상관일 수 있다. 개입·반사실 분석에 쓰려면 인과 가정의 타당성(교란 통제 여부)을 반드시 검증해야 하며, 보호 속성과 결과 간 경로를 그래프로 드러내 알고리즘 공정성·설명 책임을 점검하는 데 활용할 수 있다.

  • 연계 기술과 전망: 동적 베이지안 네트워크(시계열)·영향도(Influence Diagram, 의사결정 결합)·베이지안 딥러닝·인과추론으로 확장 가능하며, XAI·신뢰성 AI·데이터 거버넌스의 요구가 커질수록 확률적 근거와 인과 서사를 함께 제공하는 수단으로서 적용 범위가 넓어질 전망이다.

참고자료

  • Judea Pearl, "Probabilistic Reasoning in Intelligent Systems", Morgan Kaufmann, 1988
  • Daphne Koller & Nir Friedman, "Probabilistic Graphical Models", MIT Press, 2009
  • pgmpy Documentation: https://pgmpy.org/
  • Microsoft DoWhy (Causal Inference): https://www.pywhy.org/dowhy/

한 줄 요약: 베이지안 네트워크는 변수 간 조건부 독립을 DAG와 조건부확률표로 표현해 결합분포를 간결히 분해하고, 예측·진단 양방향 추론과 인과 분석을 설명 가능하게 수행하는 확률 그래프 모델이다.