당신이 정원에서 왜 어떤 식물은 다른 식물보다 더 높게 자라는지 알아내려 한다고 상상해 보십시오. 단순한 세상이라면, 당신은 그저 각 식물이 받는 물과 햇빛만을 보면 될 것입니다. 하지만 실제 정원에서는 식물들이 이웃입니다. 만약 당신이 한 식물에 물을 준다면, 그 식물이 이웃 식물에 그늘을 만들 수도 있고, 혹은 그 뿌리가 영양분을 훔쳐 갈 수도 있으며, 아니면 과도한 수분이 주변 모두의 토양을 질척거리게 만들 수도 있습니다. 이것은 '간섭(interference)'이라는 까다로운 세계입니다. 즉, 한 대상에게 일어난 일이 그 친구들에게 일어나는 일을 변화시키는 현상입니다. 과학자들은 이를 '인과 추론(causal inference)'이라고 부르며, 이들은 이웃의 부수적인 효과 때문에 혼란을 겪지 않고 처치(treatment, 예를 들어 새로운 약이나 마케팅 캠페인)의 진정한 효과를 알고 싶어 합니다. 보통 이 문제를 해결하기 위해 연구자들은 이웃이 서로 어떻게 영향을 미치는지에 대해 거대한 가정을 해야 합니다. 예를 들어, "처치를 받은 이웃이 많을수록 더 많은 영향을 받는다"라고 가정할 수 있습니다. 하지만 만약 그 가정이 틀렸다면 어떻게 될까요? 만약 영향력이 어떤 특정한 이웃이 처치를 받았는지, 혹은 그들의 고유한 개성에 따라 달라진다면 어떨까요? 만약 그 가정이 틀린다면, 전체 계산은 무너지고 맙니다.

이것이 바로 Daan Caljon, Jente Van Belle, Wouter Verbeke 연구진이 제안한 HINet이라는 새로운 방법론이 다루는 문제입니다. HINet은 이웃이 어떻게 상호작용하는지에 대한 기성 가정을 강요하는 대신, 스스로 이웃의 규칙을 학습하는 초스마트한 탐정처럼 작동합니다. 연구진은 전체 연결망을 살펴보고 매뉴얼 없이도 처치가 집단 내에서 어떻게 파급되는지를 파악하는 신경망(컴퓨터 뇌의 일종)을 구축했습니다. 그들은 이 방법을 가상의 데이터와 실제 사회적 네트워크에 테스트했으며, HINet이 이웃의 규칙이 복잡하고 알려지지 않은 경우에도 일관되게 정답을 찾아낸다는 것을 발견했습니다. 반면, 규칙을 추측하는 데 의존하는 기존 방식들은 그 추측이 조금만 빗나가도 처참하게 실패합니다. 이 논문은 컴퓨터가 직접 이웃의 역학 관계를 학습하게 함으로써, 의료나 비즈니스 분야에서 누구를 처치할지에 대해 훨씬 더 나은 결정을 내릴 수 있다고 제안합니다.

문제: 이웃에 대한 "추측 게임"

당신이 새로운 백신을 테스트하려는 의사라고 상상해 보십시오. 당신은 어떤 사람들에게는 백신을 주고, 어떤 사람들에게는 주지 않습니다. 완벽하게 격리된 세상이라면, 단순히 두 집단의 발병률을 비교하면 될 것입니다. 하지만 사람들은 격리되어 있지 않습니다. 그들은 사회적 네트워크의 일부입니다. 만약 당신의 백신을 맞은 친구가 주사를 맞는다면, 그 친구는 병에 걸리지 않을 수도 있지만, 동시에 당신에게 바이러스를 옮기지도 않을 것입니다. 당신은 주사를 맞지 않았음에도 보호받게 됩니다. 이것이 바로 **간섭(interference)**입니다. 즉, 한 사람에 대한 처치가 다른 사람의 결과에 영향을 주는 것입니다.

이를 측정하기 위해 과학자들은 보통 **노출 매핑(exposure mapping)**이라는 것을 사용합니다. 이것을 "이웃의 영향력"을 섞는 레시피라고 생각하십시오. 흔한 레시피는 간단합니다: "당신의 직계 이웃 중 몇 명이 처치를 받았는지 세고, 이를 전체 이웃 수로 나눈다." 만약 친구의 50%가 주사를 맞았다면, 당신의 '노출도'는 0.5가 됩니다. 만약 영향력이 정말로 단순한 평균값이라면 이 방식은 매우 잘 작동합니다. 하지만 현실 세계에서 영향력은 복잡합니다. 어쩌면 당신은 오직 당신의 '가장 친한 친구'가 주사를 맞았는지 여부에만 관심을 가질 수도 있고, 혹은 특정 이웃 '세 명'이 주사를 맞아야만 영향을 받을 수도 있습니다. 만약 과학자가 실제 규칙이 "가장 친한 친구만 해당"인데도 단순한 "평균" 레시피를 사용한다면, 백신의 효과에 대한 계산은 틀리게 될 것입니다. 이를 **오설정(misspecification)**이라고 하며, 이는 대부분의 실제 상황에서 아무도 진짜 레시피를 알지 못하기 때문에 매우 골치 아픈 문제입니다.

해결책: HINet, 이웃 탐정

저자들은 이를 해결하기 위해 HINet(Heterogeneous Interference Network)을 제안합니다. 과학자에게 레시피를 작성하라고 요구하는 대신, HINet은 **그래프 신경망(Graph Neural Network, GNN)**이라는 강력한 도구를 가져옵니다.

GNN을 한 사람만 보는 것이 아니라 파티 전체를 살피는 탐정이라고 생각해 보십시오. HINet이 어떤 사람에게 일어날 일을 예측하려고 할 때, 단순히 그 사람이 처치를 받았는지 여부만 보는 것이 아닙니다. 그 사람의 고유한 특성을 살펴본 다음, 그들의 친구 관계 전체를 스캔합니다. 그리고 묻습니다: "이 원 안의 누가 처치를 받았는가? 그들의 특성은 무엇인가? 그 특정한 조합이 우리에게 어떤 영향을 미치는가?"

결정적으로, HINet은 이 과정을 통합적으로(jointly) 수행합니다. HINet은 "이웃 표현(neighborhood representation)"(주변에 누가 있고 그들이 무엇을 하고 있는지에 대한 요약)을 학습하는 동시에 결과값을 예측하는 법을 배웁니다. 이는 마치 수학 문제를 풀면서 동시에 게임의 규칙을 깨우치는 학생과 같습니다. 데이터를 통해 규칙을 직접 학습하기 때문에, 미리 작성된 노출 매핑이 필요하지 않습니다. HINet은 영향력이 특정 이웃에 달려 있거나 복잡한 조합에 기반한다는 것을, 별도로 지시받지 않아도 데이터로부터 스스로 발견할 수 있습니다.

균형 잡기: "가짜 친구" 함정 피하기

논문은 두 번째 문제도 다룹니다. 현실 세계에서 사람들은 무작위로 처치를 받지 않습니다. 예를 들어 의사가 건강한 사람들에게 백신을 주거나, 마케팅 캠페인이 부유한 동네를 타겟팅할 수 있습니다. 이는 **처치 구성 불균형(treatment-configuration imbalance)**이라는 편향을 만듭니다. 만약 처치를 받은 집단이 처치를 받지 않은 집단과 매우 다르다면, 결과가 처치 때문인지 아니면 애초에 그들이 달랐기 때문인지 구분하기 어렵습니다.

네트워크에서는 이 현상이 더욱 기묘해집니다. 만약 당신의 친구들이 당신과 매우 비슷하다면(이를 동종 선호, homophily라고 합니다), 그리고 당신들 모두가 같은 처치를 받을 가능성이 높다면, 당신의 "지역적 처치 구성"(당신 + 친구들의 처치 상태)은 당신의 특성에 따라 예측 가능해집니다. HINet은 이를 해결하기 위해 **적대적 학습(adversarial training)**이라는 영리한 기술을 사용합니다.

"숨바꼭질" 게임을 상상해 보십시오.

1. **예측기(Predictor, HINet의 메인 브레인)**는 결과(예: "이 사람이 제품을 구매할 것인가?")를 예측하려고 노력합니다.
2. **적대자(Adversary, "찾는 사람")**는 HINet이 처리한 데이터를 보고 누가 처치를 받았는지 맞히려고 노력합니다.

HINet은 예측기가 정확하면서도 동시에 적대자를 속이도록 훈련됩니다. HINet은 적대자가 누가 처치를 받았고 누가 받지 않았는지 구별할 수 없을 정도로 균형 잡힌 데이터를 만드는 것을 목표로 합니다. 이를 통해 HINet은 결과의 차이가 단순히 처치를 받은 집단이 원래 다른 유형의 사람이었기 때문이 아니라, 실제로 처치로 인해 발생한 것임을 보장합니다. 논문은 이러한 네트워크 인지적 균형 잡기가 특히 처치 할당이 지역적 환경에 크게 의존할 때 매우 중요하다는 것을 보여줍니다.

결과: "추측 없는" 방식의 승리

연구진은 가상의 네트워크(다양한 유형의 간섭을 시뮬레이션하기 위한 "Barabási–Albert" 모델 및 "Homophily" 모델 포함)와 Flickr 및 공동 저자 그래프와 같은 실제 사회적 네트워크 데이터를 사용하여 HINet을 테스트했습니다. 그들은 HINet을 노출 매핑을 추측하는 방식(NetEst 및 TNet 등) 및 네트워크를 완전히 무시하는 방식과 비교했습니다.

결과는 명확했습니다:

• 추측이 맞았을 때: 노출 매핑을 올바르게 추측한 방법들도 잘 작동했지만, HINet 역시 잘 작동했습니다.
• 추측이 틀렸을 때: 여기서 마법이 일어났습니다. 연구진이 시뮬레이션의 규칙을 변경했을 때(예: 영향력이 평균이 아닌 특정 이웃에 의존하도록 설정), 추측 기반의 방법들은 무너졌습니다. 그들의 사전 설정된 레시피가 현실과 일치하지 않았기 때문에 오류율이 치솟았습니다.
• HINet의 일관성: HINet은 모든 시나리오에서 일관되게 우수한 성능을 보였습니다. 간섭이 단순하든, 복잡하든, 혹은 특정 이웃에 기반하든 상관없었습니다. 데이터를 통해 패턴을 학습했기 때문에 잘못된 가정에 휘둘리지 않았습니다.

또한 논문은 CNEE(Counterfactual Network Estimation Error)와 PEHNE(Precision in Estimation of Heterogeneous Network Effects)라는 두 가지 새로운 성공 측정 지표를 도입했습니다. 이 지표들은 단순히 실제로 일어난 일뿐만 아니라, 수많은 다양한 "만약에(what-if)" 시나리오 전반에서 모델이 결과를 얼마나 잘 예측하는지 확인합니다. HINet은 이 지표들에서 가장 낮은 오류를 기록하며 견고함을 입증했습니다.

핵심 요약

주요 발견은 간섭의 규칙을 알지 못해도 그 효과를 측정할 수 있다는 것입니다. 실시간으로 이웃의 역학 관계를 학습하고 편향을 제거하기 위해 데이터를 균형 잡는 유연한 신경망을 사용함으로써, HINet은 근본적인 메커니즘이 미스터리인 상황에서도 처치 효과를 정확하게 추정할 수 있습니다.

저자들은 기존 방식들이 노출 매핑에 대해 확신이 있을 때는 유용할 수 있지만, 규칙을 알 수 없는 현실 세계에서는 위험하다고 제사합니다. HINet은 더 안전하고 일관된 대안을 제공합니다. 이는 복잡하고 서로 연결된 사회적 네트워크의 세계에서, 우리의 추측을 데이터에 강요하기보다는 데이터가 스스로 규칙을 가르치도록 하는 것이 최선의 접근법임을 시사합니다. 이 논문은 인과 추론의 모든 문제를 해결했다고 주장하는 것이 아니라, 네트워크 간섭의 불확실성을 헤쳐 나갈 수 있는 강력하고 증거 기반의 도구를 제공합니다.