---
type: paper
slug: kyeol-chang-2018-inter-iamb-nir
title: >-
  Interleaved Incremental Association Markov Blanket as a Potential Feature
  Selection Method for Improving Accuracy in Near-Infrared Spectroscopic
  Analysis
authors:
  - '[[kyeol-chang]]'
  - '[[junghyelee]]'
  - '[[chi-hyuck-jun]]'
  - '[[hoeil-chung]]'
year: 2018
venue: '[[talanta]]'
doi: 10.1016/j.talanta.2017.09.039
categories:
  - '[[chemometrics]]'
methods:
  - '[[inter-iamb]]'
  - '[[markov-blanket]]'
  - '[[likelihood-ratio-test]]'
  - '[[partial-least-squares]]'
themes:
  - '[[near-infrared-spectroscopy]]'
  - '[[variable-selection]]'
  - '[[mb-discovery]]'
aliases: []
last_updated: '2026-05-20T02:01:15+09:00'
---
# Interleaved Incremental Association Markov Blanket as a Potential Feature Selection Method for Improving Accuracy in Near-Infrared Spectroscopic Analysis

*[[kyeol-chang]], [[junghyelee]], [[chi-hyuck-jun]], [[hoeil-chung]] (2018)* · [[talanta]] · [DOI ↗](https://doi.org/10.1016/j.talanta.2017.09.039)

> [[inter-iamb]] — [[iamb]] 의 grow phase 와 shrink phase 를 *interleave* 해 *MB 크기를 작게 유지* — 를 NIR 분광 분석의 변수 선택에 적용. 연속 변수 + 적은 sample 에 적합한 *[[likelihood-ratio-test]] (LR) 기반 조건부 독립 검정* 을 inter-IAMB 에 embed. 디젤, 가솔린, etchant solution 분석에서 **inter-IAMB > IAMB > all variables** — *복잡 + 특성 indistinct* spectra 에 특히 효과적.

- **RQ**: [[iamb]] 의 *unnecessarily large MB* 문제를 [[inter-iamb]] 으로 해결 가능한가? Spectral 변수 같은 *continuous + small sample* 데이터에 [[likelihood-ratio-test]] 기반 CI 검정이 적합한가?
- **방법론**: [[inter-iamb]] (grow ↔ shrink interleaving) + [[likelihood-ratio-test]] (LR-based CI test) + [[partial-least-squares]] (PLS) calibration
- **데이터**: NIR spectra — 디젤, 가솔린, etchant solutions
- **주요 발견**: (1) **inter-IAMB > IAMB** — 더 작은 변수 set 으로 더 높은 정확도. (2) *복잡 + 특성 indistinct* spectra 에 특히 효과적. (3) LR 기반 CI 검정이 *spectroscopic data (continuous, 작은 sample)* 에 적합. (4) Specificity-deficient + extensively overlapped spectra 에 inter-IAMB 가 *분리 잘함*.
- **시사점**: 분광 분석 변수 선택에 inter-IAMB + LR 결합 protocol 가 IAMB 보다 우월. IR, Raman 분광 데이터에도 확장 가능.

![Inter-IAMB 기반 NIR 분광 변수 선택 알고리즘 구조.](/papers/201802_ChangK_Interleaved_incremental_association_Markov_blanket_as_a_potential_feature_selection_method_for_improving_accuracy_in_near_infrared_spectroscopic_analysis/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *1 기 박사 시기 → 2 기 UNIST 초기* 의 transition 작업. [[kyeol-chang]] (POSTECH 박사) 의 *NIR 분광 + MB* 시리즈 마지막 paper. [[junghye-lee-2015-kernel-nir-calibration]] + [[kyeol-chang-2016-temperature-varied-spectra-mb]] 의 *방법론적 정점* — IAMB 의 한계 인식 후 inter-IAMB 으로 발전.

방법론적 혁신: *2 가지 결합*. (i) **inter-IAMB** — IAMB 가 grow phase 에서 *false positive* 추가 후 shrink 에서 제거하는데, 이 sequential 구조 때문에 *큰 MB* 가 일시적으로 발생. inter-IAMB 는 grow 와 shrink 를 *interleave* 해서 *MB 크기를 항상 작게 유지*. (ii) **LR-based CI test** — Spectral data 는 *continuous + small sample*. 표준 G^2 (categorical) 또는 partial correlation (linear) 가 부적합. *Likelihood ratio* 기반 일반화된 CI 검정으로 *non-linear + small sample* 처리.

핵심 발견: NIR 분광 (디젤, 가솔린, etchant) 에서 inter-IAMB > IAMB > all variables. 특히 *spectra 가 specificity-deficient + extensively overlapped* 인 경우 (분자 구조가 비슷한 hydrocarbons 의 spectral peak 가 겹침) inter-IAMB 가 *변수 redundancy 제거* 에 효과적.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *1 기 NIR 시리즈의 정점* + [[junghye-lee-2020-mixed-mb]] (2020 혼합형 데이터 + Inter-IAMB 일반화) 의 *직접 선행*. *MB algorithm 자체의 개선* 이라는 *알고리즘적 기여*.

## 핵심 결과

| 방법 | 변수 수 | 정확도 |
|---|---|---|
| All variables | 많음 | baseline |
| IAMB | 중간 | 개선 |
| **inter-IAMB + LR** | **작음** | **최고** |

- 디젤, 가솔린, etchant solutions 모두에서 일관 우위
- *complex + overlapped spectra* 에 특히 효과
- LR-based CI test 가 continuous + small sample 에 적합

## 방법론 노트

[[inter-iamb]] (vs [[iamb]]):

```
MB = ∅
repeat:
  # GROW step
  X* = argmax_{X ∉ MB} dep(T, X | MB)
  if dep(T, X* | MB) > threshold:
    MB.add(X*)
  # SHRINK step (interleaved)
  for X in MB:
    if indep(T, X | MB - {X}):
      MB.remove(X)
until convergence
```

IAMB 는 *모든 grow* 후 *모든 shrink* — inter-IAMB 는 *매 step 마다 shrink*. 이로 *MB 크기 작게 유지*.

[[likelihood-ratio-test]] CI test:

$$
\Lambda = 2[\log L_{\text{full}} - \log L_{\text{nested}}]
$$

asymptotically $\chi^2$ with df = parameters difference. Spectral data 의 *continuous + non-linear* 관계에 robust.

식별 가정: (i) Faithfulness, (ii) LR 의 asymptotic $\chi^2$ approximation (small sample 에선 약함), (iii) spectra 의 *충분한 정보 dimensionality*.

## 연구 계보

이 paper 는 (i) Yaramakala & Margaritis (2005) 의 inter-IAMB 본가, (ii) [[junghye-lee-2015-kernel-nir-calibration]] · [[kyeol-chang-2016-temperature-varied-spectra-mb]] 직접 선행, (iii) Aliferis et al. (2010) MB algorithm 라인 — 의 결합. [[junghyelee]] 의 *연구 궤적* *1 기 NIR 시리즈의 정점*, [[junghye-lee-2020-mixed-mb]] 의 *직접 선행*.

## See also

- [[junghyelee]]
- [[kyeol-chang]]
- [[chi-hyuck-jun]]
- [[hoeil-chung]]
- [[inter-iamb]]
- [[markov-blanket]]
- [[likelihood-ratio-test]]
- [[near-infrared-spectroscopy]]
- [[talanta]]
- [[kyeol-chang-2016-temperature-varied-spectra-mb]]