가중치 가변 잠재 인과 모델의 식별

핵심 요약

인과 표현 학습은 관측 데이터로부터 고차원 잠재 인과 변수를 찾아내는 것을 목표로 하지만, 변수 간의 즉각적인 인과 관계가 존재할 때 이를 정확히 식별하는 것은 어렵다. 본 연구에서는 식별 가능성을 저해하는 주요 요인으로 이행성(Transitivity)이 지목되었으며, 이를 해결하기 위해 추가 관측 변수에 의해 인과 계수와 노이즈 분포가 조절되는 선형-가우시안 모델 조건이 적용되었다. 특정 가정 하에 잠재 변수가 순열 및 스케일링 모호성을 제외하고 식별될 수 있음이 이론적으로 증명되었다. 또한 이를 구현한 SuaVE를 통해 합성 및 실제 데이터에서 인과 관계 학습의 효과성이 입증되었다.

배경

인과 추론(Causal Inference), 변분 오토인코더(VAE), 선형-가우시안 모델, 식별 가능성(Identifiability) 이론

대상 독자

인과 추론 및 표현 학습 연구자

의미 / 영향

잠재 인과 모델의 식별 가능성에 대한 이론적 토대를 강화했으며, 특히 이행성 문제를 해결하는 구체적인 조건을 제시함으로써 실질적인 인과 표현 학습 알고리즘 개발에 기여한다.

섹션별 상세

잠재 인과 변수 식별의 세 가지 내재적 불확정성인 이행성(Transitivity), 순열(Permutation), 스케일링(Scaling) 모호성에 대한 고찰이 이루어졌다. 특히 이행성이 잠재 인과 변수의 식별 가능성을 방해하는 핵심적인 역할을 수행함이 확인되었다. 이러한 불확정성들이 관측 데이터만으로 실제 인과 구조를 복원하는 데 미치는 제약 사항이 수학적으로 밝혀졌다.

이행성 문제를 해결하기 위해 가중치 가변 선형-가우시안 모델(Weight-Variant Linear-Gaussian Model)이 적용되었다. 이 모델은 추가적인 관측 변수가 인과 계수와 가우시안 노이즈의 분포를 변화시키는 구조를 가져 식별 가능성이 확보된다. 기존의 고정된 가중치 모델이 가졌던 식별의 한계를 극복하고 더 유연한 인과 추론이 가능해졌다.

이론적 결과를 바탕으로 SuaVE(Structural caUsAl Variational autoEncoder) 방법론이 설계되었다. SuaVE는 잠재 인과 변수와 그들 사이의 인과 관계, 그리고 잠재 변수에서 관측 변수로의 매핑을 동시에 학습한다. 합성 데이터와 실제 데이터를 활용한 실험을 통해 모델의 일관성과 인과 표현 학습 능력이 입증되었다.

실무 Takeaway

잠재 인과 관계 학습 시 이행성(Transitivity) 제약 조건을 모델에 반영하여 직접 인과 관계와 간접 관계의 혼동을 방지한다.
보조 관측 변수(Auxiliary variables)를 활용해 인과 계수의 변화를 유도함으로써 잠재 변수의 순열 및 스케일링 모호성을 수학적으로 해소한다.
SuaVE 프레임워크를 적용해 잠재 변수 간의 구조적 인과 모델(SCM)과 관측 데이터로의 생성 과정을 통합적으로 학습한다.