다목적 베이지안 최적화(MOBO)는 여러 상충하는 목표를 동시에 최적화해야 하는 복잡한 문제에서 효율적인 해법을 찾는 데 중요한 역할을 합니다. 예를 들어, 신약 개발에서 약효는 높이고 부작용은 줄이는 것과 같은 상황이죠. MOBO의 핵심 목표는 파레토 전선(Pareto front)을 정확하게 근사하는 것인데, 이는 해답들이 전선에 얼마나 가까운지(수렴)와 전선에 얼마나 고르게 퍼져 있는지(분산)라는 두 가지 기준을 동시에 충족해야 합니다.
기존 MOBO 방법들은 수렴과 분산을 동시에 추구했지만, 이는 설계가 복잡하고 특히 평가 예산이 매우 제한적인 상황에서는 비효율적이었습니다. 이러한 한계를 극복하기 위해, 최근 발표된 연구는 '수렴 후 분산(Converge Then Diversify, CTD)'이라는 새로운 접근 방식을 제안합니다. CTD는 최적화 과정을 두 단계로 나눕니다. 첫 번째 단계에서는 파레토 전선의 한 지점으로 빠르게 수렴하는 데 집중하고, 두 번째 단계에서는 그 지점에서부터 해답들을 전선 전체에 걸쳐 고르게 분산시키는 데 주력합니다. 이 연구는 널리 사용되는 획득 함수(acquisition function)를 활용하여 CTD의 두 가지 간단한 구현 방식을 제시했습니다.
실험 결과는 CTD의 우수성을 명확히 보여줍니다. 446가지의 모든 쌍별 비교에서 CTD는 기존 최첨단 방법들보다 72.9%의 경우에서 통계적으로 우수한 성능을 보였으며, 21.1%에서는 동등한 성능을, 단 6.1%에서만 열등한 성능을 나타냈습니다. 특히 평가 예산이 매우 빠듯하거나 고차원 문제에서 CTD의 장점이 두드러졌습니다. 이는 복잡한 최적화 문제를 더 효율적이고 효과적으로 해결할 수 있는 새로운 패러다임을 제시하며, 인공지능(AI) 및 머신러닝(ML) 분야의 다양한 응용 프로그램에 큰 영향을 미칠 것으로 기대됩니다.