가중치 가변 잠재 인과 모델의 식별

섹션별 상세

잠재 인과 변수 식별을 방해하는 세 가지 주요 불확정성인 전이성(Transitivity), 순열(Permutation), 스케일링(Scaling)을 분석했다. 특히 전이성이 잠재 변수의 고유한 식별을 가로막는 핵심 요소임을 밝혀냈다.

새로운 식별 조건으로 인과 계수와 가우시안 노이즈가 외부 관측 변수에 의해 변하는 가중치 가변 선형-가우시안 모델을 제시했다. 잠재적 인과 영향이 사라지는 참조 조건(Reference condition)이 존재할 때, 순열과 스케일링을 제외한 잠재 변수의 완전한 식별이 가능함을 이론적으로 증명했다.

이론적 결과를 바탕으로 SuaVE(Structural caUsAl Variational autoEncoder)라는 새로운 구조적 인과 변이형 오토인코더를 개발했다. 이 모델은 잠재 변수 간의 인과 관계와 잠재 변수에서 관측 변수로의 매핑을 동시에 학습하도록 설계되었다.

합성 데이터와 실제 데이터를 활용한 실험을 통해 제안된 모델의 식별 가능성과 일관성을 검증했다. 참조 조건이 일부 변수에서 위반되는 상황에서도 부분적인 식별 결과가 도출됨을 확인하여 모델의 견고함을 보여주었다.

기술

SuaVE
Python
Variational Autoencoder

활용 사례

잠재 인과 요인 분석
데이터 표현 학습
구조적 인과 모델링

언급된 리소스

논문Identifying Weight-Variant Latent Causal Models (JMLR)