Deriving Complete Constraints in Hidden Variable Models

제시된 논문 "Deriving Complete Constraints in Hidden Variable Models (잠재 변수 모델에서의 완전한 제약 조건 도출)" 은 Michael C. Sachs 등 (2026) 이 저술한 것으로, 잠재 변수 (hidden variables) 가 포함된 인과 모델에서 관측 가능한 분포에 부과되는 완전한 제약 조건 (complete set of observable constraints) 을 체계적으로 도출하는 방법을 제시합니다.

이 논문의 핵심 내용을 문제 정의, 방법론, 주요 기여, 결과, 그리고 의의로 나누어 상세히 요약하면 다음과 같습니다.

1. 문제 정의 (Problem)

• 배경: 잠재 변수가 포함된 구조적 모델 (Structural Models) 은 단순한 조건부 독립 관계뿐만 아니라, 관측된 분포에 더 복잡한 제약 조건 (등식 및 부등식) 을 부과합니다. 이러한 제약 조건은 모델의 가정을 반증 (falsify) 하거나, 추정 절차의 통계적 효율성을 높이는 데 활용될 수 있습니다.
• 도전 과제:
  • 기존 연구 (예: Bonet, 2001) 는 이진 (binary) 인strumental variable (IV) 설정이나 특정 이산 변수 설정에 국한되었습니다.
  • 일반적인 설정에서 완전한 제약 조건을 도출하는 것은 계산적으로 매우 어렵습니다. 기존 방법 (푸리에 - 모츠킨 제거 등) 은 상태 공간이 중간 규모만 되어도 비현실적으로 복잡해집니다.
  • 중첩 마르코프 (Nested Markov) 모델은 등식 제약 조건만 다루며, 부등식 제약 조건을 포함하지 못해 불완전합니다.
• 목표: 범주형 관측 변수를 가지며, 비관측 반응 함수 변수 (unobservable response function variables) 와의 선형 관계로 완전히 특징지어지는 모델 클래스에서 모든 관측 가능한 제약 조건 (등식과 부등식 포함) 을 체계적으로 도출하는 방법을 개발하는 것입니다.

2. 방법론 (Methodology)

저자들은 Bonet (2001) 의 방법을 IV 설정을 넘어 확장하여, 선형 (Linear) 모델 클래스에 적용 가능한 알고리즘을 제안합니다.

1. 전제 조건 및 전처리:

   • 관측 변수 $W$는 이산적이고 유한하며, 비관측 변수 $U$는 외생적 (exogenous) 이고 최소 2 개의 관측된 자식을 가져야 하는 DAG(방향성 비순환 그래프) 를 가정합니다.
   • 그래프를 지구 (districts) 또는 c-component로 분할합니다. 각 지구는 공통의 잠재 변수를 공유하는 관측 변수들의 집합입니다.
   • c-degree (c-차수): 각 지구에 연결된 잠재 변수의 수를 의미합니다. 이 알고리즘은 c-degree 가 1인 지구를 대상으로 합니다.

2. 반응 함수 변수 변환 (Response Function Variable Transformation):

   • 각 관측 변수 $W_i$에 대해, 그 부모에 대한 반응 방식을 결정하는 이산적인 반응 함수 변수 (Response Function Variable, $R_{W_i}$) 를 도입합니다.
   • 이를 통해 비선형적인 구조적 방정식 모델을 선형적인 확률 관계로 변환합니다. 관측 확률은 이 반응 함수 변수들의 확률의 선형 결합으로 표현됩니다.

3. 함수적 제약 조건 (Functional Constraints) 도출:

   • 각 지구 내에서 관측 확률과 반응 함수 변수 확률 사이의 선형 방정식 시스템 ($p = Br$) 을 구성합니다.
   • 여기서 $p$는 관측 확률 벡터, $r$은 반응 함수 변수 확률 벡터, $B$는 0 과 1 로 구성된 행렬입니다.

4. V-to-H 변환 (Vertex-to-Halfspace Conversion):

   • 반응 함수 변수 확률 $r$에 대한 제약 (비음수, 합이 1 등) 을 사용하여, 관측 확률 $p$에 대한 볼록 다면체 (convex polyhedron) 의 꼭짓점 (V-representation) 을 정의합니다.
   • 계산 기하학 알고리즘 (예: cddlib의 Double Description Method) 을 사용하여 이를 반쪽 공간 표현 (H-representation) 으로 변환합니다. 즉, $Hp \le b$ (부등식) 와 $H_e p = b_e$ (등식) 형태의 관측 가능한 제약 조건을 얻습니다.

5. 비자명 (Nontrivial) 제약 조건 식별:

   • 도출된 모든 제약 조건 중 확률의 기본 공리 (합이 1, 0~1 사이) 를 넘어서는 비자명 (nontrivial) 인 제약 조건을 식별하기 위해, 제약이 없는 확률 심플렉스의 극단점 (extreme points) 에서 위반 여부를 테스트합니다.

6. c-degree > 1 인 경우의 확장:

   • c-degree 가 1 보다 큰 경우 (완전성이 보장되지 않음), 잠재 변수를 병합하여 c-degree 를 1 로 만든 후 알고리즘을 적용합니다. 이 경우 도출된 제약 조건은 필요 조건 (necessary) 이지만 충분 조건 (complete) 은 아닐 수 있습니다.

3. 주요 기여 (Key Contributions)

• 완전성 증명: c-degree 가 1 인 선형 모델 클래스에서 제안된 알고리즘이 도출하는 제약 조건 집합이 완전 (complete) 함을 수학적으로 증명했습니다. 즉, 이 모델에서 유도 가능한 모든 관측 가능한 등식 및 부등식 제약 조건을 포함합니다.
• 범위 확장: Bonet (2001) 의 IV 설정을 넘어, 다양한 인과 구조 (예: 순차적 IV, 삼중 벨 그래프 등) 에 적용 가능한 일반화된 방법을 제시했습니다.
• 부등식과 등식의 통합: 기존 중첩 마르코프 모델이 다루지 못했던 부등식 제약 조건 (inequality constraints) 을 체계적으로 도출할 수 있음을 보였습니다.
• 관측 동등성 (Observational Equivalence) 분석: 서로 다른 DAG 구조가 동일한 제약 조건 집합을 가질 수 있음을 보여주며, c-degree 를 낮추어 완전한 제약 조건을 도출할 수 있는 변환 규칙 (Proposition 5, 6, 7) 을 제시했습니다.

4. 결과 및 사례 (Results & Examples)

저자들은 여러 새로운 설정에서 알고리즘을 적용하여 기존에 알려지지 않았거나 완전하지 않았던 제약 조건들을 도출했습니다.

• 순차적 인스트루멘탈 변수 (Sequential IV): 두 개의 지구를 가진 모델에서 각 지구별로 고전적인 IV 부등식과 유사한 제약 조건들을 도출했습니다.
• 중첩 마르코프 동등 모델 (Nested Equivalent Models): 중첩 마르코프 관점에서는 동등해 보이지만, 부등식 제약 조건이 다른 두 그래프를 비교하여, 부등식 제약 조건이 모델 식별에 중요한 역할을 함을 보였습니다.
• 삼중 벨 그래프 (Tripartite Bell Graphs): 양자 물리학의 유명한 모델에 적용하여, 기존 엔트로피 방법으로는 불완전했던 제약 조건들을 0.5 시간 미만의 계산 시간 내에 완전한 집합 (53,894 개, 그중 32,866 개가 비자명) 으로 도출했습니다. 이는 기존 연구 (Śliwa, 2003; Pironio et al., 2011) 와 일치하는 결과를 확인시켜 주었습니다.
• 삼각형 시나리오 (Triangle Scenario): c-degree 가 3 인 이 모델에서는 알고리즘을 직접 적용할 수 없으나, 잠재 변수를 병합하여 근사적인 제약 조건을 도출하거나, 기존 연구 (Wolfe et al., 2019) 와의 비교를 통해 방법론의 한계와 가능성을 논의했습니다.

5. 의의 및 의의 (Significance)

• 인과 발견 (Causal Discovery): 단순한 조건부 독립 테스트나 등식 제약만으로는 구분되지 않는 인과 모델을 더 세밀하게 분류 (stratification) 할 수 있게 하여, 인과 모델 식별 능력을 크게 향상시킵니다.
• 통계적 추론: 제약 조건을 추정 절차에 통합하여 통계적 효율성을 높일 수 있으며, 모델의 가정이 데이터와 모순될 때 이를 검증 (falsification) 하는 강력한 도구를 제공합니다.
• 계산적 실현 가능성: 계산 기하학 도구의 발전과 결합하여, 이전에 계산적으로 불가능했던 복잡한 모델에서도 완전한 제약 조건을 도출할 수 있음을 입증했습니다.
• 소프트웨어 공개: 제안된 방법을 구현한 소프트웨어를 GitHub 에서 공개하여 연구자들이 실제 데이터에 적용할 수 있도록 했습니다.

결론적으로, 이 논문은 잠재 변수가 있는 인과 모델에서 관측 데이터가 만족해야 할 완전한 수학적 제약 조건을 체계적으로 찾아내는 방법론을 정립함으로써, 인과 추론의 이론적 기반을 강화하고 실제 적용 가능성을 넓혔다는 점에서 중요한 기여를 합니다.