인공지능(AI) 모델의 예측 성능이 중요해지면서, 왜 그런 예측이 나왔는지 설명하는 '해석 가능성(Interpretability)'에 대한 요구가 커지고 있습니다. 이러한 맥락에서 의사결정나무(Decision Tree)는 직관적인 구조 덕분에 오랫동안 중요한 모델로 활용되어 왔습니다. 하지만 기존 의사결정나무는 대규모 데이터셋에서 깊고 복잡한 구조를 학습할 때 확장성(Scalability) 문제가 발생하거나, 예측 정확도를 희생해야 하는 한계에 부딪혀 왔습니다.
최근 천쉬안인 조우(Chenxuanyin Zou) 외 연구진은 이러한 한계를 극복하기 위해 '이동 시야 근사 분기-축소(Moving-Horizon Approximate Branch-and-Reduce)'라는 새로운 방법론을 제안했습니다. 이 방법은 계층적 루트-서브트리 최적화 프레임워크를 기반으로, 루트(root) 수준의 문제는 분기-축소(branch-and-reduce) 방식으로 풀고, 하위 서브트리(subtree) 문제는 탐욕적 휴리스틱(greedy heuristics)으로 근사하여 효율성을 높였습니다. 특히, 강화 학습(Reinforcement Learning)의 '미리 보기(lookahead rollout)'와 유사한 근사 기법을 통해 깊은 구조에서도 효율성을 크게 향상시켰으며, 저비용 이동 시야 전략을 적용해 모델 정확도를 반복적으로 개선합니다. 이 연구는 대규모 데이터셋과 연속형 특성(continuous features)을 가진 경우에도 최적에 가까운 깊은 분류 의사결정나무를 훈련할 수 있음을 보여주었습니다.
이 기술은 의사결정나무의 고질적인 문제였던 확장성과 정확도 사이의 균형을 효과적으로 해결했다는 점에서 의미가 큽니다. 기존의 전역 최적화(global optimal) 방법들이 이진 특성 선택(binary feature selection)이나 얕은 트리 깊이에 제한되었던 반면, 이 새로운 방법은 데이터셋 규모와 트리 깊이 모두에서 훨씬 뛰어난 확장성을 제공합니다. 또한, 기존 휴리스틱(heuristic) 기반 접근 방식보다 높은 테스트 정확도를 달성하여, 해석 가능성과 예측 성능을 동시에 잡을 수 있는 길을 열었습니다. 이는 금융, 의료 등 해석 가능성이 필수적인 분야에서 의사결정나무의 활용도를 크게 높일 잠재력을 가지고 있습니다.