Robust Chance-Constrained Optimization using a Continuous Parameter Space Wasserstein-2 Ambiguity Set of Gaussian Mixtures

당신이 소풍을 위해 날씨를 예측하려고 한다고 상상해 보세요. 당신은 어제의 구름 지도를 가지고 있지만, 지도가 완벽하지 않을 수도 있다는 것을 알고 있습니다. 아마도 바람의 방향이 약간 바뀌었거나, 온도가 아주 조금 달랐을 수도 있죠. 만약 당신이 오직 어제의 정확한 지도에만 기반하여 소풍 계획을 세운다면, 비에 흠뻑 젖을 수도 있습니다. 이것이 바로 **분포 강건 최적화(distributionally robust optimization)**의 핵심입니다. 이는 의사결정자가 데이터가 100% 완벽하지 않을 때 최악의 시나리오에 대비할 수 있도록 돕는 수학의 한 분야입니다. 마치 "가장 가능성 높은" 예보가 약간 틀릴 경우를 대비해 우산을 챙기는 것과 같습니다.

이를 수행하기 위해 수학자들은 종종 **가우시안 혼합 모델(Gaussian Mixture Model, GMM)**이라는 것을 사용합니다. GMM을 하나의 매끄러운 종 모양 곡선이 아니라, 여러 개의 종이 동시에 울리는 클러스터라고 생각해보세요. 이는 사람들이 아침, 점심, 그리고 저녁에 다시 전기차를 충전하는 것처럼, 여러 개의 "정점"이나 습성을 가진 복잡한 현실 세계의 데이터를 설명하는 방법입니다. 예측이 얼마나 "틀릴" 수 있는지 측정하기 위해, 과학자들은 **바세르슈타인 거리(Wasserstein metric)**라는 도구를 사용합니다. 이것을 "이동 비용"이라고 상상해 보세요. 만약 당신이 모래 더미(당신의 데이터)를 한 형태에서 다른 형태로 옮겨야 한다면, 바세르슈타인 거리는 그 모래를 새로운 형태로 밀어 넣는 데 필요한 최소한의 에너지를 계산합니다. 거리가 멀수록 두 형태는 서로 더 다릅니다.

이제, 까다로운 부분이 나옵니다. 이 "이동 비용"을 다루는 대부분의 기존 방식은 유한하고 정해진 목록만을 살펴보았습니다. 예를 들어, 모래가 격자의 특정 다섯 지점 중 하나로 이동할 수 있는지만 확인하는 식이죠. 하지만 만로 모래가 특정 영역 내의 어떤 지점으로든 이동할 수 있다면 어떨까요? 만약 "틀림"이 단순히 근처의 격자점으로 점프하는 것이 아니라, 연속적인 이웃 공간 어디로든 부드럽게 미끄러지는 것이라면 어떨까요? 이것이 바로 Shibshankar Dey와 Sanjay Mehrotra가 논문에서 다루는 질문입니다. 그들은 묻습니다: 우리의 데이터 형상이 고정된 점들 사이를 점프하는 것이 아니라 연속적으로 꿈틀거릴 수 있다는 점을 고려하여 안전망을 구축할 수 있을까? 그리고 만약 그렇게 한다면, 그것이 실제로 더 나은 결정을 내리는 데 도움이 될까?

---

꿈틀거리는 구름 이야기

이 논문에서 저자들은 그 안전망을 구축하는 새로운 방법을 소개합니다. 그들은 이 방법을 CDR(Continuous Distributionally Robust, 연속 분포 강건)이라고 부릅니다. 이것이 왜 중요한지 이해하기 위해, 그들이 FDR(Finite Distributionally Robust, 유한 분포 강건)이라고 부르는 기존 방식을 살펴봅시다.

당신이 전기차(EV) 충전소 관리자라고 상해 봅시다. 당신의 임무는 매 시간마다 자동차에 얼마나 많은 전기를 공급할지 결정하는 것입니다. 당신은 모든 사람의 요구를 충족할 수 있는 충분한 전력을 확보하고 싶지만(높은 "서비스 수준"), 대기 전력을 너무 많이 유지하여 돈을 낭비하고 싶지는 않습니다. 문제는, 얼마나 많은 차가 나타날지, 혹은 그들이 얼마나 많은 전력을 필요로 할지 정확히 모른다는 점입니다. 당신은 과거의 데이터에 기반한 최선의 추측인 "명목상(nominal)" 모델을 가지고 있으며, 이는 가우시안 혼합 모델(몇 개의 뚜렷한 혹이 있는 구름 형태)처럼 보입니다.

기존 방식인 FDR은 이렇게 말합니다: "좋아, 우리의 최선의 추측은 이 구름이야. 하지만 이 구름이 약간 틀릴 수도 있어. 그렇다면 이 구름이 근처에 있는 몇 가지 특정한, 미리 정해진 형태 중 하나일 것이라고 가정하자." 이것은 마치 "구름이 여기 있거나, 혹은 저기 있거나, 혹은 저기에 있을 거야"라고 말하며 그 세 지점을 확인하는 것과 같습니다. 만약 실제 구름이 완전히 다른 곳에 있다면, FDR은 그것을 놓칠 수 있습니다.

새로운 방식인 CDR은 이렇게 말합니다: "아니, 더 똑똑해지자. 구름은 우리의 최선의 추측 주변에 있는 부드럽고 연속적인 거품 안의 어디에나 있을 수 있어. 구름의 중심이 약간 이동할 수도 있고, 구름이 늘어나거나 줄어들 수도 있어." 이것은 "틀림"이 고정된 지점이 아니라 연속적인 공간 어디에서나 발생할 수 있도록 허용합니다.

큰 발견: 매끄러움 vs 딱딱함

저자들은 수학적으로 매우 영리한 일을 해냈습니다. 그들은 연속적인 거품 속의 모든 가능한 형태를 확인하는 것이 (마치 해변의 모래알 하나하나를 세려는 것처럼) 불가능해 보임에도 불구하고, 이를 해결 가능한 컴퓨터 문제로 바꿀 수 있다는 것을 증명했습니다. 그들은 일종의 조각가 역할을 하는 특별한 알고 알고리즘인 "절단면(cutting-surface)" 방법을 개발했습니다. 이 방법은 거친 돌덩이(초기 추측)에서 시작하여 작동하지 않는 부분들을 깎아내며 서서히 완벽한 형태를 드러냅니다.

여기 핵심이 있습니다: 연속적인 방법(CDR)이 실제로 기존의 유한한 방법(FDR)보다 더 잘 작동합니다.

저자들이 실제 전기차 충전소의 데이터를 사용하여 이를 테스트했을 때, 기존 방식인 FDR은 딱딱하고 경직된 슈트와 같다는 것을 발견했습니다. 그것은 몇 가지 특정한 위험으로부터는 당신을 보호해주었지만, 위험이 약간 다른 각도에서 오면 실패했습니다. 새로운 방식인 CDR은 유연하고 적응력이 뛰어난 슈트와 같았습니다. 그것은 위험의 형태에 맞춰 조정되었습니다.

실험에서 그들은 목표를 설정했습니다: 그들은 95%, 97%, 또는 99%의 확신을 가지고 충전 수요를 충족하고 싶었습니다.

• FDR의 실패: 저자들이 새로운 미보지 데이터(out-of-sample)에 대해 기존 방식을 테스트했을 때, FDR은 테스트된 모든 목표 확률과 불확실성 반경의 조합에 대해 규정된 목표 확률을 충족하는 데 실패했습니다. 설령 95%의 신뢰도를 목표로 했더라도, 실제 성공률은 종종 92%에서 93% 정도로 낮았습니다. 그것은 마치 95%의 확률로 제시간에 도착하겠다고 약約束했지만, 실제로는 7%의 확률로 늦는 것과 같았습니다.
• CDR의 성공: 그러나 새로운 방식은 훨씬 더 성공적이었습니다. 95% 신뢰도를 목표로 했을 때, 새로운 방식은 실제로 95.04%에서 95.87% 사이의 결과를 보여주었습니다. 97% 목표의 경우, 대부분의 설정에서 목표치를 달est했습니다. 99% 목표의 경우, 데이터의 평균 변화 폭을 ±10%로 허용했을 때 목표(99.17%)를 달성했습니다.

이 논문은 불확실성을 "유한한(finite)" 방식(고정되고 딱딱한 방식)이 아닌 "연속적인(continuous)" 방식으로 허용함으로써 시스템이 훨씬 더 신뢰할 수 있게 된다는 것을 보여줍니다. 물론 정확한 성공 수준은 모델에 허용된 유연성에 따라 달라집니다.

안전을 위한 비용

물론, 세상에 공짜는 없습니다. 논문은 이 추가적인 신뢰성이 가격표를 동반한다는 점을 언급합니다. CDR 방식이 생성한 솔루션는 기존 방식보다 약간 더 비쌌습니다(비용이 약 1.5%에서 5% 더 높음). 이것은 갑작스러운 돌풍에도 당신을 마르게 하지 않는다고 보장하는 약간 더 비싼 하이테크 우산을 사는 것과, 실패할 수도 있는 저렴한 우산을 사는 것의 차이와 같습니다.

하지만 저자들은 이 비용을 지불할 가치가 있다고 주장합니다. 그들은 또한 새로운 방식이 단순히 사용하는 전력의 양만 바꾸는 것이 아니라, 타이밍을 바꾼다는 것을 발견했습니다. 기존 방식(FDR)은 주로 기존 스케줄을 약간 조정하는 데 그쳤습니다. 반면 새로운 방식(CDR)은 구조적인 변화를 일으켰습니다. 실패를 방지하기 위해 가장 필요한 특정 시간대로 에너지를 이동시켰습니다. 예를 들어, 기존 방식이 중요하지 않다고 생각했던 오전 11시나 오후 7시에 더 집중적으로 충전하도록 결정할 수 있습니다. 이는 새로운 방식이 단순히 "안전해지는 것"이 아니라, 언제 안전해야 하는지에 대해 똑똑하게 행동하고 있음을 보여줍니다.

그들이 찾아내지 못한 것 (그리고 배제한 것)

이 논문이 하지 않은 일을 명시하는 것도 중요합니다. 저자들은 자신들의 방법이 이러한 문제를 해결하는 가장 빠른 방법이라고 주장하지 않았습니다. 사실, 그들은 이 방법이 계산하는 데 더 오래 걸린다는 점을 인정합니다. 새로운 방식은 훨씬 더 복잡한 퍼즐을 풀어야 하기 때문에 실행하는 데 더 많은 시간(때로는 몇 분 대신 몇 시간)이 걸렸습니다. 또한 그들은 기존 방식이 쓸모없다고 말한 것도 아닙니다. 단지 목표를 놓치는 것이 치명적인 상황(전기차 충전을 위한 전력이 떨어지는 경우와 같은)에서는 기존 방식이 충분히 신뢰할 수 없다는 것을 보여주었을 뿐입니다.

그들은 높은 신뢰도를 원한다면 그냥 "유한한" 접근 방식을 고수하면 된다는 생각을 명시적으로 배제했습니다. 그들의 테스트 결과, 아무리 많은 계산 시간을 주더라도 기존 방식은 새로운 데이터에서 95%, 97%, 또는 99% 목표에 도달하는 데 계속 실패했습니다. "딱딱한" 슈트는 적응할 수 없었습니다.

호기심 많은 십 대를 위한 요점

그렇다면 결론은 무엇일까요? 불확실성이 가득한 세상에서 중요한 일을 계획하려고 한다면, 몇 가지 특정한 "만약에" 시나리오만 체크하는 것으로는 부족합니다. 당신은 가능성의 전체 스펙트럼을 상상해야 합니다.

저자들은 컴퓨터가 이 스펙트럼을 부드럽게 상상할 수 있게 해주는 수학적 도구를 만들었습니다. 전기차에 대해 테스트했을 때, 이 "매끄러운" 사고방식이 실제 세상이 예상치 못한 변수를 던질 때 실제로 작동하는 계획을 만든다는 것을 입증했습니다. 비용이 좀 더 들고 계산하는 데 시간이 더 걸리지만, 당신이 안전하다고 믿었을 때 비에 젖지 않도록 도와줍니다.

결국, 이 논문은 당신이 목표를 달리는 데 중요성을 둔다면(전기차 충전, 재고 관리, 또는 서비스 운영 등), 세상을 고정된 점들의 격자로 보는 것을 멈추고 연속적이고 꿈틀거리는 구름으로 보기 시작해야 한다고 제안합니다. 왜냐하면 현실 세계에서는 사물들이 단순히 점프하는 것이 아니라, 미끄러지고, 늘어나고, 이동하기 때문입니다. 그리고 당신의 계획은 바로 그 변화에 대비할 수 있어야 합니다.