베이지안 네트워크(BN)는 다양한 분야에서 사용되는 확률적 그래픽 모델입니다. 데이터로부터 네트워크의 그래픽 구조를 추론하는 것은 어려운 과제입니다. 베이지안 구조 학습기는 BN을 기반으로 가능한 방향 비순환 그래프(DAG)에 대한 사후 분포를 추론합니다. 이 과정에서 확률 분포에 대한 주변화를 수행해야 하는데, 일반적으로 각 노드에 대한 가능한 부모 집합을 제한하는 동적 프로그래밍 방법을 사용합니다. 본 논문에서는 가변적 확률 회로를 활용하여 이러한 제한을 우회하는 새로운 방법을 제시합니다. 이 방법은 원래 분포와 주변 쿼리에 대해 이러한 회로를 훈련시키는 새로운 학습 루틴을 사용합니다. 확률 회로의 아키텍처는 학습된 분포에 대해 빠르고 정확한 주변화를 가능하게 합니다. 본 연구에서는 제안된 방법을 사용하여 주변화를 수행함으로써 베이지안 구조 학습기가 기존 방법보다 성능을 향상시킬 수 있음을 실험적으로 보여줍니다.
