📊 statistics

Causal Additive Models with Unobserved Causal Paths and Backdoor Paths

본 논문은 비관측된 백도어 및 인과 경로를 가진 인가적 모델에서 회귀 집합과 잔차를 특성화함으로써 인과 방향을 식별하기 위한 충분 조건을 확립하고, 최첨단 방법론과 경쟁력 있는 성능을 보이는 건전하고 완전한 탐색 알고리즘을 제시한다.

원저자: Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu

게시일 2026-05-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

한 그룹의 사람들 사이에서 누가 누구에게 영향을 미쳤는지 파악하려는 형사가 되어 상상해 보십시오. 당신은 관찰 가능한 변수들인 용의자 목록을 가지고 있지만, 당신이 볼 수 없는 무대 뒤에서 실을 조종하는 비밀 요원들인 숨겨진 변수들이 존재한다는 것을 알고 있습니다. 당신의 목표는 누가 상사이고 누가 부하인지 보여주는 지도를 그리는 것입니다.

이 논문은 바로 이러한 비밀 요원들로 인해 "상사"와 "부하" 관계가 흐려진 상황에서 이 미스터리를 해결하기 위한 새로운 형사 도구인 CAM-UV-X를 소개합니다.

간단한 비유를 사용하여 문제와 해결책을 다음과 같이 정리해 보겠습니다:

문제: "보이지 않는 안개"

데이터 과학의 세계에는 명확한 관계를 찾아내는 데 탁월한 기존 방법들 (예: 구식 CAM-UV 도구) 이 있습니다. 만약 A 사람이 B 사람에게 명확하게 영향을 미친다면, 이 도구는 "예, A 가 B 의 상사입니다"라고 말합니다.

그러나 이러한 도구들은 숨겨진 경로가 있을 때 벽에 부딪힙니다:

"활" (Bow) 모양: A 사람과 B 사람이 모두 비밀 요원인 U 사람에 의해 영향을 받는다고 상상해 보십시오. 이는 "활" 모양 (A ← U → B) 을 만듭니다. 구식 도구들에게 A 와 B 는 비밀 요원 U 가 신호를 방해하기 때문에 그냥 친구이거나 무관한 것처럼 보입니다. 구식 도구들은 "여기서 누가 상사인지 알 수 없습니다. 너무 안개가 짙습니다"라고 말할 것입니다.
"뒷문" (Backdoor) 경로: A 가 B 에게 영향을 미치지만, 숨겨진 요원이 둘 모두에게 영향을 미치는 비밀 경로도 존재한다고 상상해 보십시오. 이는 형사를 혼란스럽게 만드는 "뒷문"을 만듭니다.

이 논문은 구식 도구들이 너무 비관적이었다고 주장합니다. 실제로는 더 지능적인 접근법으로 해결할 수 있었던 많은 관계를 "식별 불가능 (해결 불가)"하다고 섣불리 포기해 버렸다는 것입니다.

해결책: 새로운 형사 전략 (CAM-UV-X)

Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu 저자들은 CAM-UV-X라는 새로운 알고리즘을 개발했습니다. 이는 형사의 도구 상자에 두 가지 새로운 초능력을 추가하는 것과 같습니다:

1. "잔여물 닦기" (회귀 분석)

소란스러운 방에서 속삭임 (A 가 B 에게 미치는 직접적인 영향) 을 듣으려 한다고 상상해 보십시오. 소음은 다른 사람들의 영향력입니다.

구식 방법: 형사는 소음을 추측하여 빼려고 합니다. 추측이 틀리면 속삭임을 들을 수 없습니다.
신식 방법: 이 논문은 데이터를 수학적으로 "닦는" 방법을 도입합니다. 다른 요인들을 고려한 후 남은 **조각들 (잔여물)**을 살펴봅니다.
마법 같은 발견: 숨겨진 요원 ("활" 모양) 이 있더라도 데이터를 매우 특정한 방식으로 닦으면, 남은 조각들은 오직 직접적인 상사 - 부하 관계가 있을 때만 연결을 보여준다는 것을 발견했습니다. 마치 두 사람이 같은 유니폼 (같은 비밀 요원의 영향) 을 입고 있더라도, 그들의 발자국 (잔여물) 이 누가 누구를 이끌고 있는지 여전히 보여준다는 것과 같습니다.

2. "하이브리드 형사" (단서 결합)

때로는 "잔여물 닦기"만으로는 부족합니다. 새로운 도구는 두 가지 유형의 단서를 결합합니다:

단서 유형 A: 위에서 설명한 닦기 후의 남은 조각들.
단서 유형 B: 표준적인 "조건부 독립성" (세 번째 사람을 알고 있을 때 두 사람이 무관한지 확인).

비유:
앨리스가 밥의 상사임을 증명하려 하지만, 둘 다 둘 모두에게 영향을 미치는 비밀 친구 찰리가 있다고 상상해 보십시오.

구식 도구: "앨리스와 밥은 둘 다 찰리와 친구입니다. 앨리스가 밥의 상사인지 알 수 없습니다. 사건 종료."
신식 도구 (CAM-UV-X): "잠깐. 찰리의 영향을 제거하면 앨리스와 밥 사이에 여전히 독특한 연결이 있으므로 앨리스가 밥의 상사임을 압니다. 또한, 데이브 (다른 사람) 는 앨리스의 영향을 받지만 밥과는 아무런 연결이 없다는 것도 압니다. 이는 앨리스가 상사임을 확인시켜 줍니다."

이 두 가지 논리를 혼합함으로써 새로운 도구는 이전에는 불가능하다고 여겨졌던 사건들, 특히 까다로운 "활" 모양을 포함한 사건들을 해결할 수 있습니다.

논문이 실제로 주장하는 바

저자들은 수학과 실험을 바탕으로 세 가지 구체적인 주장을 합니다:

해결 가능합니다: 그들은 숨겨진 변수가 존재하는 많은 경우 (특히 "관측되지 않은 뒷문 경로"와 "관측되지 않은 인과 경로") 에도 여전히 누가 상사이고 누가 부하인지 파악할 수 있음을 수학적으로 증명했습니다. 퍼즐을 풀기 위해 숨겨진 변수들을 알 필요는 없으며, 단지 데이터를 다르게 살펴보면 됩니다.
알고리즘이 작동합니다: 그들은 CAM-UV-X를 만들었습니다. 이 알고리즘은 **정당성 (sound)**이 있어 (거짓말을 하지 않음; A 가 B 의 상사라고 말하면 A 가 실제로 상사임) 그리고 **완전성 (complete)**이 있어 (이론적으로 찾을 수 있는 모든 관계를 찾음) 함을 증명했습니다.
성능이 우수합니다: 그들은 가짜 데이터 (시뮬레이션 그래프) 와 실제 사회학적 데이터 (아버지의 직업과 아들의 소득에 관한 데이터) 로 이를 테스트했습니다.
- 가짜 데이터에서는 구식 CAM-UV 도구보다 올바른 연결을 찾는 데 더 뛰어났습니다.
- 실제 데이터에서는 구식 도구가 저지른 오류를 수정했는데, 예를 들어 두 사람이 서로에게 동등하게 영향을 미친다고 생각했던 가짜 "양방향" 연결을 제거하고 올바른 일방향으로 대체했습니다.

주장하지 않는 바

모든 가능한 그래프 구조에서 작동한다고 주장하지는 않습니다. 여전히 해결되지 않을 수 있는 매우 복잡한 "활" 모양들이 있지만, 저자들은 아직 그 예시를 찾지 못했습니다.
의학적 치료법이나 금융 거래 전략이라고 주장하지는 않습니다. 이는 엄격하게 데이터로부터 인과 구조를 발견하기 위한 방법일 뿐입니다.
다른 모든 방법을 대체한다고 주장하지는 않지만, 이전 연구에서 사용된 특정 "인과 가법 모델 (Causal Additive Model)" 프레임워크를 개선하는 것이라고 주장합니다.

요약

이 논문은 형사가 다음과 같이 말하는 것과 같습니다: "우리는 비밀 요원이 개입되면 사건을 해결할 수 없다고 생각했습니다. 하지만 우리는 (데이터를 닦고 단서를 혼합하는) 증거를 바라보는 새로운 방법을 발견하여 이러한 '불가능'한 사건들 중 많은 것을 해결할 수 있게 되었습니다. 우리는 이를 수행하는 새로운 도구 (CAM-UV-X) 를 만들었으며, 이는 구식 도구들보다 더 잘 작동합니다."

기술적 요약: 관찰되지 않은 인과 경로와 백도어 경로를 가진 인가적 모델

문제 제기
관측 데이터로부터 인과 구조를 발견하는 것은 특히 관찰되지 않은(숨겨진) 변수가 존재할 때 근본적인 과제입니다. 인과적 가법 모델 (CAMs) 은 가법적 노이즈를 가진 비선형 의존성을 모델링하기 위한 실용적인 프레임워크를 제공합니다. 그러나 숨겨진 변수가 있는 CAM 에 대한 기존 인과 발견 이론, 예를 들어 CAM-UV 알고리즘 (Maeda 및 Shimizu, 2021) 은 상당한 한계에 직면해 있습니다. 구체적으로, 두 변수 사이에 관찰되지 않은 백도어 경로 (UBPs) 나 관찰되지 않은 인과 경로 (UCPs) 가 존재할 때, 부모 - 자식 관계는 종종 식별 불가능한 것으로 간주됩니다. 이는 두 관측 변수가 공통의 숨겨진 부모를 공유하는 "활 (bow)" 구성을 포함하는데, 숨겨진 교란이 직접적인 인과 연결을 가리기 때문에 인과 발견에 특히 어렵습니다. Fast Causal Inference (FCI) 프레임워크를 포함한 이전 접근법들은 일반적으로 그래프 구조에 대한 추가적인 강력한 가정 없이는 이러한 관계를 식별 불가능한 것으로 취급합니다.

방법론
본 논문은 이러한 식별성 격차를 해결하기 위한 새로운 이론적 프레임워크와 이에 상응하는 탐색 알고리즘인 CAM-UV-X를 제안합니다. 방법론은 다음을 결합한 하이브리드 접근법에 의존합니다:

회귀 잔차 독립성: 잔차 간의 독립성을 결정하기 위해 일반화 가법 모델 (GAM) 회귀에 사용되는 변수 집합을 특성화합니다.
조건부 독립성: 원래 관측 변수 간의 조건부 독립성을 활용합니다.

주요 이론적 혁신:

정교화된 가시성/비가시성 특성화: 저자들은 "가시적 (visible)"과 "비가시적 (invisible)" 쌍의 개념을 관측 변수의 부분집합 ( $X' \subseteq X$ ) 으로 확장합니다. 그들은 쌍 $(x_i, x_j)$ 이 전체 집합 $X$ 에 대해서는 (UBPs/UCPs 로 인해) 비가시적일 수 있지만, 특정 변수 $x_k$ 가 조건부 집합에서 제거될 때 가시적이 될 수 있음을 입증합니다.
새로운 식별성 조건:
- 보조 정리 4 및 5: 이러한 보조 정리들은 쌍 $(x_i, x_j)$ 가 비가시적일지라도 변수 $x_k$ 가 $x_i$ 또는 $x_j$ 의 조상임을 식별하기 위한 충분 조건을 제공합니다. 이는 특정 변수들이 회귀 집합에 포함될 때만 잔차가 독립적으로 되는지 분석함으로써 달성됩니다.
- 하이브리드 접근법 (귀결 6.1 및 6.2): 본 논문은 회귀 잔차 독립성과 조건부 독립성 ( $x_k \perp\!\!\perp x_j | x_i$ ) 을 결합하는 조건을 도입합니다. 이를 통해 비가시적 쌍에서 인과 방향을 식별 (예: $x_i$ 가 $x_j$ 의 조상임을 결정) 하고, 회귀만이나 표준 조건부 독립성 방법 (예: FCI) 이 실패하는 활 (bow) 패턴에서 부모 - 자식 관계를 해결할 수 있습니다.
알고리즘 CAM-UV-X: 제안된 알고리즘은 원래 CAM-UV 를 기반으로 합니다. 먼저 초기 추정을 얻기 위해 CAM-UV 를 실행한 후, 새로운 보조 정리와 귀결을 반복적으로 적용하여 다음을 수행합니다:
- 가시적 간선/비가시적 간선의 오분류를 수정하여 (CAM-UV 의 불완전성 해결).
- 특정 회귀 및 조건부 독립성 기준을 확인함으로써 비가시적 쌍의 방향을 설정합니다.
- 이 알고리즘은 인과적 충실도 조건 (CFC) 과 잔차 충실도 가정 하에서 가시적 간선, 가시적 비간선, 그리고 비가시적 쌍을 식별하는 데 정연하고 완전 (sound and complete) 임이 증명되었습니다.

결과
본 논문은 CAM-UV-X 의 성능을 보여주는 실증적 평가를 제시합니다:

예시: CAM-UV 의 한계를 드러내도록 설계된 합성 그래프 (그림 1a 및 1b, 여기서 CAM-UV 는 가시적 간선을 잘못 비가시적으로 표시함) 에서 CAM-UV-X 는 올바른 인과 구조를 성공적으로 복원합니다.
무작위 그래프 실험: 숨겨진 교란 변수가 있는 Barabási–Albert (BA) 및 Erdős–Rényi (ER) 그래프에서 CAM-UV-X 는 인접 행렬을 식별하는 데 있어 CAM-UV 및 Schultheiss 와 Bülmann (2024) 의 기본 적응 버전보다 더 높은 정밀도와 F1 점수를 달성하며, 조상 관계를 식별하는 데 있어 더 높은 재현율을 보입니다.
실제 데이터: 사회학 데이터셋 (아버지의 직업, 아들의 소득 등) 에 적용된 CAM-UV-X 는 CAM-UV 가 발견한 허위 양방향 간선을 제거하고, 실제 지식을 기반으로 한 방향성 간선을 올바르게 식별했습니다. 또한 CAM-UV 가 해결하지 못했던 비가시적 쌍에 대한 추가 정보 (비인접성 주장) 를 제공했습니다.

의의 및 주장
저자들은 이 작업이 관찰되지 않은 백도어 경로나 인과 경로가 존재하는 상황에서도 인과 방향과 부모 - 자식 관계를 식별할 수 있는 충분 조건을 확립했다고 주장합니다. 이는 이전에는 추가적인 구조적 가정 없이는 식별 불가능한 것으로 간주되었던 시나리오입니다.

이전 작업의 확장: 결과는 Maeda 와 Shimizu (2021) 의 작업을 "활 (bow)" 구성에서 부모 - 자식 관계를 식별함으로써 확장하고, Schultheiss 와 Bülmann (2024) 의 작업을 잘 정의된 집합을 넘어 인과 방향을 식별함으로써 확장합니다.
실용적 영향: 이러한 특정 사례에 대한 정연하고 완전한 알고리즘을 제공함으로써, 숨겨진 변수가 널리 존재하는 설정에서 인과 발견의 실용적 채택을 개선하는 것을 목표로 합니다.
한계 및 향후 작업: 저자들은 겸손하게 현재 이론이 관측 변수 간의 d-분리 (d-separation) 로 함축된 모든 제약을 완전히 활용하지는 못한다고 지적합니다. 숨겨진 변수가 있는 CAM 에서 충분 조건과 필요 조건 사이의 격차를 열린 문제로 식별하고, 이러한 하이브리드 접근법을 다른 유형의 인과 모델로 확장하는 것을 향후 연구 방향으로 제안합니다. 본 논문은 숨겨진 변수가 존재할 때 모든 식별성 문제를 해결한다고 주장하는 것이 아니라, 이전에 처리하기 어려웠던 특정 사례를 해결한다고 주장합니다.