본 연구는 오차 분산이 동일한 대규모 가우시안 선형 구조방정식 모형(Gaussian linear structural equation models)에 대해 계산적으로 효율적이며 통계적으로 일관된 학습 알고리즘을 개발한다. 제안 알고리즘의 참신성은 간선(edge)의 방향을 복원할 때 점수(score)가 아닌 가설검정(hypothesis test)을 적용한다는 데 있다. 구체적으로, 제안 알고리즘은 Z-검정을 사용하여 위상(topological) 계층(layer)을 추정한다. 이후 각 노드(node)의 부모(parents)를 일관된 조건부 독립성 검정(conditional independence test)으로 추정한다. 본 연구는 제안된 위상 계층 추정 접근법이 점근적으로 일관됨을 증명한다. 또한 계산 복잡도를 비교함으로써, 본 방법이 가우시안 선형 SEM에서 기존 점수 기반 알고리즘보다 계산적으로 더 효율적임을 보인다. 합성 데이터 및 실제 데이터에서, 제안 알고리즘은 USF, USB, TD, HGSM과 같은 최신의 대규모 가우시안 선형 SEM 학습 알고리즘들에 비해 일관성이 있으며 계산 속도가 현저히 더 빠름이 확인된다. 이 논문의 부가 자료는 온라인에서 이용 가능하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.