회귀 트리 기반 부분집합 식별의 견고화 및 제약 학습

Robust and Constrained Regression-Tree Models for Subgroup Identification

연구 내용

회귀 트리 계열 모델을 확장하여 부분집합을 식별하되, 이상치와 단조성 제약, 불균형 분류 등 실제 데이터의 불확실성을 고려한 견고한 서브그룹 발굴 연구

회귀 트리와 로지스틱 회귀 트리 기반 서브그룹 식별의 공정성을 높이기 위해, 분할 변수 선택 과정에서 발생할 수 있는 편향과 이상치 영향을 체계적으로 다룹니다. 트리의 분할 규칙을 확장하여 상관 구조가 관심 대상인 경우, 단조성 제약이 포함된 경우, 불균형 클래스에서의 모델링이 필요한 경우를 각각 처리합니다. 또한 단조 제약을 만족하면서도 분할 선택 편향을 완화하는 방법을 제안하여, 예측 결과와 해석 가능성을 동시에 확보하는 방향을 갖습니다.

관련 프로젝트

0건

연구 흐름

초기에는 회귀 트리의 일반적인 서브그룹 식별 틀을 정리하고, 실제 적용에서 나타나는 실패 사례의 원인을 모델 구조 관점에서 분석했습니다. 이후 상관 기반 분할과 로지스틱 트리의 이상치 민감성을 다루는 견고화 기법을 통해 부분집합 식별의 안정성을 확보했습니다. 이어서 극값 회귀 트리, Firth 로지스틱 회귀 등 불균형 데이터 모델링의 확장 가능성을 탐색하고, 단조성 제약이 있는 isotonic regression tree에서 분할 선택 편향 문제를 체계적으로 검토한 뒤 이를 완화하는 비편향 구성으로 발전시켰습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

개인화 의료 반응군 분류
질병 위험 하위 집단 탐지
이상치 내성 임상 의사결정 보조
단조성 제약 기반 예측 모델링
불균형 데이터 임팩트 분석
해석 가능한 정책 영향 구간 도출
데이터 품질 이슈가 있는 평가 모델
맞춤형 심리 개입 타깃팅
실험 설계에서의 조건 구간 탐색
서브그룹 편향 점검 절차 설계