가우시안 사전 한계화 유향 비순환 그래프의 신경망 매개변수 최적화

섹션별 상세

기존 인과 추론용 그래프 구조가 가우시안 베이지안 네트워크의 한계화 과정에서 구조적 안정성을 유지하지 못하는 한계를 극복하기 위해 한계 분포를 정확하게 표현하는 새로운 그래프 구조를 정의했다.

잠재 변수 모델의 매개변수 최적화와 특정 분포족의 매개변수 공간에서 피드포워드 신경망을 학습시키는 과정 사이의 수학적 이중성을 세계 최초로 입증했다.

입증된 이중성을 기반으로 관측 데이터의 분포만을 활용하여 복잡한 그래프 구조의 매개변수를 최적화할 수 있는 구체적인 알고리즘을 설계했다.

가우시안 환경 내에서 인과 효과의 식별 가능성을 판단하기 위한 이론적 조건을 도출하고 이를 자동으로 검증하는 메타 알고리즘을 구축했다.

가우시안 분포 이외의 다른 확률 분포에서도 신경망과 인과 모델 간의 이중성을 확장 적용할 수 있는 이론적 토대를 마련했다.

한계화(Marginalization): — 결합 확률 분포에서 특정 변수를 적분하거나 합산하여 제거함으로써 나머지 변수들에 대한 확률 분포를 도출하는 통계적 과정이다. 인과 모델에서 관측되지 않는 잠재 변수의 영향을 처리할 때 필수적으로 사용되는 기법이다.
유향 비순환 그래프(Directed Acyclic Graph): — 노드 간에 방향이 있는 에지로 연결되되 순환하는 경로가 없는 그래프 구조이다. 인과 관계의 방향성을 명확히 표현하고 확률 변수 간의 조건부 독립성을 모델링하는 표준적인 도구로 활용된다.
인과 식별 가능성(Causal Identifiability): — 관측된 데이터(상관관계)로부터 특정 개입에 따른 효과(인과관계)를 수학적으로 고유하게 결정할 수 있는지 여부를 의미한다. 모델 구조와 데이터의 특성에 따라 식별 가능 여부가 결정된다.
잠재 변수 모델(Latent Variable Model): — 직접 관측되지는 않지만 관측 데이터의 생성 과정에 영향을 미치는 숨겨진 변수를 포함하는 통계 모델이다. 복잡한 데이터 구조 뒤에 숨은 인과적 메커니즘을 설명하는 데 중요한 역할을 한다.