Conflict Forecasting via Conformal Prediction for Markov Processes

"마르코프 과정에 대한 합동 예측을 통한 갈등 예측" 논문에 대한 상세한 기술적 요약입니다.

1. 문제 제기

이 논문은 국가별 갈등 역학 (평화, 고조, 전쟁, 완화 등) 을 시간에 따라 예측하는 과제를 다룹니다.

• 핵심 문제: 단일 미래 상태 시퀀스를 예측하는 전통적인 점 예측은 오류에 대한 패널티가 극심한 고위험 정책 결정에는 불충분합니다. 의사결정권자는 가능한 결과의 범위인 예측 집합 형태로 불확실성 정량화를 요구합니다.
• 통계적 과제: **합동 예측 (Conformal Prediction, CP)**과 같은 기존 불확실성 정량화 방법의 대부분은 데이터 포인트가 **교환 가능 (exchangeable)**하다는 가정에 의존합니다. 그러나 갈등 데이터는 시계열적이며 마르코프 과정으로 모델링되는데, 여기서 관측치는 이전 상태에 의존하므로 교환 가능성 가정을 위반합니다.
• 목표: 마르코프 과정을 사용하여 미래 갈등 상태 시퀀스에 대한 유효한 예측 집합을 생성하고, 전통적인 가능도 기반 접근법보다 모델 오지정 (misspecification) 에 대한 견고성을 제공하는 방법론을 개발하는 것입니다.

2. 방법론

저자들은 부분 교환성 (partial exchangeability) 개념을 활용하여 이산 상태 마르코프 과정에 맞춰 합동 예측을 적응시키는 프레임워크를 제안합니다.

A. 데이터 표현

• 상태: 갈등은 네 가지 상태를 가진 이산 상태 마르코프 과정으로 모델링됩니다: (1) 평화기, (2) 고조, (3) 전쟁, (4) 완화.
• 데이터: 입력은 관측된 상태 시퀀스 $\{X_t\}_{t=1}^T$입니다. 목표는 미래 $T_1$ 길이의 시퀀스를 예측하는 것입니다.

B. 합동 예측 (CP) 적응

표준 CP 는 개별 관측치의 교환 가능성을 가정합니다. 마르코프 데이터는 교환 가능하지 않으므로, 저자들은 **Nettasinghe 등 (2023)**의 접근법을 채택합니다:

1. 부분 교환성: 개별 시간 점을 교환하는 대신, 상태 시퀀스를 교환성의 단위로 취급합니다.
2. i-블록: 보정 데이터와 제안된 미래 시퀀스를 합친 확장된 시퀀스를 "i-블록"으로 분해합니다. i-블록은 상태 $i$로 시작하여 $i$가 더 이상 나타나지 않는 시퀀스 구간입니다.
3. 치환 군 (Permutation Group): 알고리즘은 이러한 i-블록들의 치환 군을 생성합니다. 제안된 미래 시퀀스를 보정 데이터와 결합하여 원래 데이터처럼 치환할 수 있고 전이 횟수가 변하지 않는다면, 이는 부분적인 의미에서 "교환 가능"한 것으로 간주됩니다.
4. 알고리즘:
   • 모든 가능한 미래 시퀀스에 대해, 알고리즘은 추정된 전이 행렬 하에서 해당 시퀀스의 가능도를 기반으로 **비합동 점수 (non-conformity score)**를 계산합니다.
   • 확장된 시퀀스의 i-블록을 치환하여 점수 분포를 생성합니다.
   • 원래 시퀀스의 점수를 치환된 점수들과 비교하여 p-값을 계산합니다.
   • p-값이 유의수준 $\alpha$보다 큰 시퀀스는 예측 집합 $C_{1-\alpha}$에 포함됩니다.

C. 기준 비교: 가능도 기반 예측

저자들은 CP 방법과 표준 가능도 기반 접근법을 비교합니다:

• 마르코프 모델을 보정 데이터에 적합시켜 전이 확률 행렬 ($\hat{P}$) 을 추정합니다.
• 예측 집합은 누적 확률 질량이 $1-\alpha$에 도달할 때까지 가장 높은 확률의 시퀀스를 선택하여 구성됩니다.
• 한계: 이 방법은 모델이 정확히 지정되었다고 가정하며, 모델이 오지정된 경우 유한 표본 보장을 제공하지 않습니다.

3. 주요 기여

1. 마르코프 과정에 대한 CP 적응: 논문은 i-블록 치환을 통한 부분 교환성을 활용하여 시간적 의존성을 가진 데이터에 합동 예측을 성공적으로 적용함으로써, 엄격한 교환성 요구 사항을 우회했습니다.
2. 모델 오지정에 대한 견고성: 가능도 기반 방법과 달리, CP 접근법은 기본 마르코프 모델이 완벽하게 지정되었는지 여부와 관계없이 **유한 표본 주변 커버리지 보장 (finite-sample marginal coverage guarantees)**을 제공합니다.
3. 장기 예측 불확실성 처리: 이 연구는 CP 가 장기 예측 구간에서 궤적 불확실성을 유지하는 반면, 가능도 기반 방법은 정적 분포로 수렴하여 갑작스러운 고조와 같은 드물지만 중요한 사건을 놓칠 수 있음을 입증했습니다.
4. 실증적 검증: 이 방법은 몬테카를로 시뮬레이션을 통해 검증되었으며, 191 개 국가 (1990–2025) 에 대한 **우프살라 갈등 데이터 프로그램 (UCDP)**의 실제 갈등 데이터에 적용되었습니다.

4. 결과

시뮬레이션 연구

• 보정: CP 방법은 모든 예측 길이 ($T_1$) 에서 목표 신뢰 수준 (예: 90% 목표 $\approx$ 90% 실제) 과 밀접하게 일치하는 경험적 커버리지율을 산출했습니다.
• 가능도 과커버 (Over-coverage): 가능도 기반 방법은 상태 공간의 이산적 특성으로 인해 소수의 고확률 시퀀스가 대부분의 질량을 차지하기 때문에, 낮은 신뢰 수준에서 과커버 (필요 이상으로 큰 집합 생성) 경향을 보였습니다.
• 집합 구성: 예측 구간 ($T_1$) 이 증가함에 따라 가능도 기반 집합은 마르코프 사슬의 정적 분포로 수렴하여 특정 시작 궤적에 대한 정보를 잃었습니다. 반면 CP 집합은 다양성을 유지하며 특정 경로의 불확실성을 반영했습니다.

실제 데이터 분석 (UCDP)

• 커버리지: 충분한 갈등 데이터를 가진 86 개국에 적용한 결과, CP 는 명목에 가까운 커버리지를 유지했습니다. 가능도 기반 접근법은 다시 낮은 신뢰 수준에서 과커버를 보였습니다.
• "영 (Zero)-확률" 문제: $1-\alpha = 1.00$에서 중요한 발견이 있었습니다. 가능도 기반 방법은 훈련 데이터에서 관찰되지 않은 전이에 대해 추정된 전이 행렬이 영확률을 할당할 경우 실제 시퀀스를 커버하지 못했습니다 (과소 커버). CP 는 모델 확률이 아닌 치환 유효성에 기반하여 시퀀스를 평가하므로, "보이지 않았지만" 타당한 전이를 포함할 수 있어 이를 회피했습니다.
• 사례 연구 (에티오피아, 중앙아프리카공화국 등):
  • ongoing 갈등이 있는 국가들의 경우, 가능도 기반 방법은 예측 구간이 길어질수록 (예: 12 개월) 평화로의 빠른 복귀 (정적 분포로의 수렴) 를 예측했습니다.
  • CP 방법은 지속적인 갈등의 높은 확률을 유지하여 이러한 지역의 관찰된 갈등 지속성과 더 잘 부합했습니다.

5. 한계 및 향후 과제

• 우세 상태에서의 효율성: 보정 데이터가 거의 단일 상태 (예: 영구 평화 상태의 국가) 로만 구성된 경우 CP 방법은 비효율적이 됩니다. 이러한 경우 비우세 상태에 대한 "i-블록" 수가 0 또는 1 로 떨어지면서, 커버리지 보장을 만족시키기 위해 알고리즘이 수많은 불가능한 시퀀스를 수용하게 됩니다.
• 제안된 완화 방안: 저자들은 효율성을 개선하기 위해 우세 상태로의 복귀를 강제하는 인공 미래 시간 점을 추가하는 "간단한 (naive)" 해결책을 제안했으나, 이는 예측의 해석을 변경합니다.
• 공변량: 현재 연구는 전이 확률에 공변량 (예: 경제 지표, 정치 체제) 을 포함하지 않았으나, 프레임워크는 이론적으로 이러한 시나리오로 확장 가능합니다.

6. 의의

이 논문은 갈등 예측과 통계적 기계 학습 분야에서 다음과 같은 이유로 중요합니다:

1. 정책 관련성: 이는 의사결정권자에게 단일 점 추측이 아닌 유효하고 보정된 불확실성 집합을 제공하여, 지정학적 위험 관리에 필수적입니다.
2. 방법론적 진전: 이는 마르코프 체인에 부분 교환성을 적용하여 시계열에서의 교환성이라는 근본적인 이론적 장벽을 해결함으로써, 오지정될 수 있는 모수적 모델에 대한 견고한 대안을 제시합니다.
3. 장기 예측: 이는 전쟁과 같은 비정상적 환경에서 장기 예측을 위해 정적 분포에 의존하는 것의 위험성을 강조하며, 궤적별 불확실성을 유지하는 방법론을 옹호합니다.