설명 가능한 인공지능(XAI) 분야에서 시간·공간·인구통계 등 층화 변수(stratification factor)를 조건으로 통합하는 확률론적 결정트리 프레임워크 SLBT(Simultaneous Latent Budget Trees)가 제안됐다. 이 연구는 루게릭병(ALS·근위축성 측삭경화증) 진행 과정에서의 성별 차이를 분석하는 데 SLBT를 적용해 유효성을 검증했다.
표준 트리 성장 절차는 인구통계나 지역 같은 통제 변수를 조건으로 하는 분할 규칙에 최적화되도록 설계되지 않았다. SLBT는 이 한계를 해결하기 위해 모델 기반 분할 규칙을 도입한다. 자식 노드를 동시 혼합 모델의 잠재 컴포넌트로 해석하며, 혼합 파라미터가 각 그룹의 관측을 자식 노드로 이동시키는 역할을 하고 잠재 예산(latent budget) 파라미터가 각 통제 변수 수준의 반응 클래스 분포를 갱신한다. 파라미터 추정에는 신경망 관점에서의 최소제곱법을 적용했다.
이 프레임워크는 노드와 경로에 해석 보조 기능을 포함한 대화형 시각화를 지원하며, 시각적 가지치기와 결정트리 선택 절차도 포함한다. 불균형 반응 클래스 분포를 처리하기 위한 적합한 측도도 별도로 제안됐다. 연구팀은 이 방법론을 루게릭병의 진행 과정에서 성별 관련 차이를 분석하는 데 적용했으며, SLBT 라이브러리와 다양한 트리 기반 알고리즘 구현체를 GitHub 저장소를 통해 공개했다.
SLBT는 설명 가능성을 유지하면서 집단 간 이질성을 포착해야 하는 의료·사회과학 데이터 분석에서 특히 활용 가치가 높다. 층화 변수를 명시적으로 모델에 통합함으로써, 단순 분류를 넘어 집단별 패턴 차이를 해석 가능한 형태로 추출할 수 있다는 점이 이 연구의 주요 기여다.
