I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables

Each language version is independently generated for its own context, not a direct translation.

🕵️‍♂️ 상황 설정: 조각난 퍼즐과 보이지 않는 악당

상상해 보세요. 우리가 어떤 복잡한 현상 (예: 왜 사람이 아픈지, 왜 식물이 잘 자라는지) 을 이해하려고 합니다. 하지만 우리는 완벽한 정보를 가진 한 장의 사진을 볼 수 없습니다. 대신, 서로 다른 팀들이 서로 다른 부분만 찍은 여러 장의 사진을 가지고 있습니다.

비슷하지만 다른 사진들: 팀 A 는 '비'와 '습도'를 찍었고, 팀 B 는 '습도'와 '식물 성장'을 찍었습니다. (공통된 부분도 있고, 없는 부분도 있습니다.)
보이지 않는 악당 (미관측 변수): 중요한 점은, 모든 팀이 **모두 찍지 못한 '보이지 않는 악당'**이 있다는 것입니다. 예를 들어, '지하수'나 '미세먼지'처럼 직접 측정하지 못했지만, 비와 식물 성장 모두에 영향을 미치는 숨은 원인입니다.

기존의 방법들은 이 조각난 사진들을 단순히 겹쳐서 (Overlap) 하나의 지도를 만들었습니다. 하지만 이 방법에는 치명적인 문제가 있습니다.

문제: "보이지 않는 악당"이 끼어들면, 두 현상 사이에 인과관계가 있는 것처럼 착각하게 만들거나, 진짜 관계를 가려버립니다. 또한, 어떤 팀은 A 와 B 를, 다른 팀은 B 와 C 를 찍었는데, A 와 C 를 동시에 찍은 팀이 아예 없다면 A 와 C 의 관계는 영원히 알 수 없게 됩니다.

💡 새로운 해결책: I-CAM-UV (지혜로운 탐정단)

이 논문은 **"I-CAM-UV"**라는 새로운 방법을 제안합니다. 이 방법은 단순히 사진을 겹치는 게 아니라, **"각 팀이 발견한 단서 (CAM-UV 결과) 를 바탕으로, 모든 가능한 시나리오를 추리하여 가장 논리적인 지도들을 찾아내는 과정"**입니다.

1. CAM-UV: "보이지 않는 악당의 흔적을 감지하는 특수 안경"

먼저, 각 팀이 가진 사진에 **'CAM-UV'**라는 특수 안경을 씌웁니다. 이 안경은 직접 보이지 않는 '보이지 않는 악당 (Unobserved Variables)'이 끼어있는 흔적을 찾아냅니다.

예시: "팀 A 의 사진에서 비와 식물 성장 사이에 직접적인 선이 없지만, 어딘가에 보이지 않는 악당이 두 가지를 모두 조종하고 있는 흔적이 있어!"라고 알려줍니다.

2. I-CAM-UV: "모든 가능성을 시뮬레이션하는 추리 게임"

이제 각 팀이 발견한 '흔적'들을 모두 모아서, 어떤 지도가 진짜일지 모든 경우의 수를 따져봅니다.

논리: "팀 A 는 A 와 B 사이에 보이지 않는 악당이 있다고 했어. 팀 B 는 B 와 C 사이에 악당이 있다고 했어. 그럼 A 와 C 사이에는 어떤 관계가 성립해야 이 모든 조건이 맞아떨어질까?"
결과: 정답이 딱 하나만 나오는 경우도 있지만, 보통은 **"이런 지도도 가능하고, 저런 지도도 가능해"**라고 여러 개의 후보 지도 (DAG) 를 만들어냅니다.

🚀 핵심 기술: "가장 그럴듯한 것부터 찾아내는 지능형 탐색"

여러 개의 지도를 만드는 과정은 엄청나게 복잡할 수 있습니다. (예: 10 개의 변수가 있으면 경우의 수가 수백만 가지가 될 수 있음)
그래서 이 논문은 "가장 비용이 적게 드는 (오류가 적은) 순서대로" 찾아내는 최적화 알고리즘을 썼습니다.

비유: 보물찾기 게임에서, 보물이 있을 확률이 높은 곳부터 순서대로 파보는 것처럼, "가장 논리적으로 맞는 지도"부터 먼저 찾아내서 시간과 에너지를 아낍니다.

📊 실험 결과: 왜 이 방법이 좋은가요?

연구진들은 컴퓨터로 가상의 상황을 만들어 테스트했습니다.

잃어버린 관계 찾기: 기존 방법들은 '보이지 않는 악당' 때문에 놓친 관계 (예: A 가 C 에 영향을 줌) 를 I-CAM-UV 가 잘 찾아냈습니다.
보이지 않는 쌍도 해결: 어떤 팀도 함께 찍지 않은 변수들 (A 와 C) 사이의 관계도, 다른 팀들의 단서를 조합해서 추론해냈습니다.
정확도: 여러 개의 후보 지도를 내놓지만, 그중 대부분이 실제 진실과 매우 유사한 정확도를 가졌습니다.

🎯 한 줄 요약

**"서로 다른 팀이 찍은 불완전한 사진들과, 보이지 않는 악당의 흔적들을 모두 모아서, 논리적으로 가능한 모든 '진실의 지도'를 찾아내는 똑똑한 추리 시스템"**입니다.

이 방법은 과학, 의학, 경제 등 **"완벽한 데이터를 구하기 어려운 현실 세계"**에서 숨겨진 인과관계를 찾아내는 데 큰 도움을 줄 것으로 기대됩니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

배경: 과학적 발견에서 관측 데이터로부터 인과 관계를 규명하는 것은 핵심적인 과제입니다. 기존 연구는 주로 단일 데이터셋을 가정하거나, 관측되지 않은 교란 변수 (Unobserved Confounders) 가 없다고 가정하는 경우가 많습니다.
현실적 문제: 실제 응용 분야 (환경, 생물학, 의약품 등) 에서는 다음과 같은 제약이 존재합니다.
1. 비동일 변수 집합 (Non-Identical Variable Sets): 여러 데이터셋이 공통된 목적을 가지지만, 관측된 변수의 집합이 서로 다릅니다.
2. 관측되지 않은 변수 (Unobserved Variables): 모든 데이터셋에서 관측되지 않는 숨겨진 공통 원인 (Latent Confounders) 이 존재할 수 있습니다.
기존 방법의 한계:
- 각 데이터셋별로 인과 그래프를 추론한 후 단순히 겹쳐서 (Overlapping) 통합하는 방식은, 각 데이터셋의 관측되지 않은 변수로 인한 교란으로 인해 많은 인과 관계를 놓치게 됩니다.
- 기존 통합 방법들 (ION, IOD, COmbINE 등) 은 부분 조상 그래프 (PAG) 를 생성하여 불확실성을 내포하거나, 선형 모델 (LiNGAM) 에 국한되어 비선형 관계를 처리하지 못합니다.
핵심 질문: 서로 다른 변수 집합을 가진 여러 데이터셋과 관측되지 않은 변수가 존재하는 상황에서, 완전한 방향성 비순환 그래프 (Full DAG) 를 어떻게 통합적으로 추론할 수 있는가?

2. 제안 방법론: I-CAM-UV (Methodology)

저자들은 관측되지 않은 변수가 있는 인가 가법 모델 (CAM-UV, Causal Additive Model with Unobserved Variables) 의 결과를 활용하여 통합 인과 그래프를 찾는 I-CAM-UV를 제안합니다.

2.1. 핵심 개념: CAM-UV

CAM-UV 는 비선형 인과 관계를 모델링하며, 관측되지 않은 변수로 인해 식별이 불가능한 경로를 관측되지 않은 인과 경로 (UCP, Unobserved Causal Path) 와 관측되지 않은 백도어 경로 (UBP, Unobserved Backdoor Path) 로 식별하여 혼합 그래프 (Mixed Graph) 를 출력합니다.
이 혼합 그래프는 관측된 변수 간의 인과 방향뿐만 아니라, 관측되지 않은 변수가 개입하여 인과 관계가 왜곡될 수 있는 구조적 정보를 제공합니다.

2.2. 통합 전략 (Integration Strategy)

일관성 정의 (Consistency): 각 데이터셋 $k$ $k$ 에서 CAM-UV 가 출력한 혼합 그래프 $G_k$ $G_{k}$ 와 통합된 그래프 $\tilde{G}$ $\tilde{G}$ 사이의 일관성을 정의합니다.
- $G_k$ 에서 인과 관계가 식별된 변수 쌍 ( $I_k$ ) 에 대해서는, 통합 그래프 $\tilde{G}$ 에서도 해당 변수 쌍 사이에 UCP/UBP 가 존재하지 않아야 합니다.
- $G_k$ 에서 인과 관계가 식별되지 않은 변수 쌍 ( $N_k$ ) 에 대해서는, 통합 그래프 $\tilde{G}$ 에서 UCP/UBP 가 존재해야 합니다.
문제 정의: 주어진 CAM-UV 결과들 ( $G_1, \dots, G_m$ ) 에 대해, 위 일관성 조건을 만족하는 모든 가능한 DAG 를 나열 (Enumerate) 하는 문제입니다.
실제 상황 대응 (Relaxation): 실제 데이터에서는 추정 오차가 발생할 수 있어 완벽한 일관성을 만족하는 그래프가 존재하지 않을 수 있습니다. 이를 위해 불일치 비용 (Inconsistency Cost) 을 도입하고, 사용자가 허용하는 오차 범위 ( $b$ ) 내에서 불일치 비용이 최소인 DAG 들을 탐색합니다.

2.3. 알고리즘: 최우선 탐색 (Best-First Search)

지수적 탐색 공간 축소: 모든 가능한 방향 조합 ( $3^{|E|}$ ) 을 탐색하는 것은 비효율적입니다. 저자들은 불일치 비용의 단조성 (Monotonicity) 을 이용하여 탐색 공간을 줄입니다.
알고리즘 흐름:
1. 초기 상태 (단순 겹쳐진 DAG) 를 우선순위 큐 (Heap) 에 넣습니다.
2. 큐에서 불일치 비용 하한값 (Lower Bound) 이 가장 작은 상태를 꺼냅니다.
3. 미해결 변수 쌍에 대해 방향을 부여하거나 제거하여 새로운 상태 (자식 노드) 를 생성하고 큐에 넣습니다.
4. 비용이 임계값을 초과하면 탐색을 중단하고, 최소 비용에 해당하는 DAG 들을 반환합니다.
UCP/UBP 탐색: 각 상태 평가 시, 주어진 그래프에서 UCP 와 UBP 가 존재하는지 확인하기 위해 BFS 기반의 다항 시간 알고리즘을 사용합니다.

3. 주요 기여 (Key Contributions)

I-CAM-UV 제안: 서로 다른 변수 집합을 가진 여러 데이터셋에 대해 CAM-UV 결과를 통합하여 인과 그래프를 나열하는 새로운 접근법을 제시했습니다.
이론적 보장: 이상적인 상황 (추정 오차 없음, 통합 변수 집합 내 추가 교란 변수 없음) 에서 I-CAM-UV 가 참된 인과 그래프 (Ground Truth DAG) 를 복원할 수 있음을 증명했습니다.
효율적인 알고리즘: DAG 의 불일치 비용 단조성을 활용한 최우선 탐색 알고리즘을 설계하여, 기존 방법보다 효율적으로 일관된 DAG 집합을 탐색할 수 있음을 보였습니다.
비관측 변수 쌍 식별: 단순히 관측된 데이터만으로는 식별 불가능한 '관측되지 않은 변수 쌍 (Euno)' 간의 인과 방향을 추론할 수 있는 능력을 입증했습니다.

4. 실험 결과 (Results)

저자들은 합성 데이터 (10 개 변수, 비선형 함수, Erdős-Rényi 모델 기반) 를 사용하여 4 가지 질문 (Q1-Q4) 에 대해 실험을 수행했습니다.

Q1 & Q2 (정확도):
- I-CAM-UV 는 관측된 변수 쌍과 관측되지 않은 변수 쌍 모두에서 기존 방법 (CAM-UV-OVL, PC-OVL, Imputation, CD-MiNi) 보다 높은 재현율 (Recall) 을 보였습니다.
- 정밀도 (Precision) 는 CAM-UV-OVL 보다 약간 낮아졌으나, 전체 F1 점수는 유사하게 유지되었습니다. 이는 놓친 인과 관계를 많이 찾아내되, 유사한 수준의 오검출을 동반함을 의미합니다.
Q3 (생성된 DAG 수 및 분포):
- 출력되는 DAG 의 개수는 상황에 따라 적을 수도 많을 수도 있으나, 생성된 DAG 들의 정확도 분포는 단일 군집 (Single Cluster) 을 형성하여 서로 유사한 성능을 보였습니다.
- 따라서 많은 DAG 가 출력되더라도 무작위 샘플링을 통해 소수의 대안 그래프를 선택하는 것이 실용적입니다.
Q4 (계산 시간):
- I-CAM-UV 의 탐색 과정은 CAM-UV-OVL 과 비교해 빠르거나 유사한 시간을 소요했습니다.
- 변수 수가 10 개 정도인 희소 그래프에서는 실용적인 계산 시간이 소요되지만, 변수 수가 증가할 경우 지수적 복잡도로 인해 주의가 필요합니다.

5. 의의 및 결론 (Significance & Conclusion)

실용적 가치: 단일 데이터셋 분석의 한계를 넘어, 다양한 측정 환경 (다양한 변수 집합) 에서 수집된 데이터를 통합하여 더 풍부한 인과 관계를 발견할 수 있는 프레임워크를 제공합니다.
비선형성 처리: 기존 통합 방법들이 선형 모델에 의존했던 것과 달리, 비선형 인과 관계를 처리할 수 있는 CAM 기반을 사용하여 더 넓은 범위의 현상을 모델링할 수 있습니다.
한계 및 향후 과제:
- 알고리즘의 정확도는 CAM-UV 의 추정 정확도에 크게 의존합니다.
- 출력되는 DAG 가 많을 경우 인간의 해석이 어려울 수 있어, 압축된 표현법 개발이 필요합니다.
- CAM-UV 외의 다른 방법론 (예: RCD) 을 통합하는 확장성 연구가 필요합니다.

요약하자면, I-CAM-UV 는 관측되지 않은 변수와 비동일한 변수 집합이라는 현실적인 제약 하에서도, CAM-UV 의 구조적 정보를 활용하여 통합된 인과 그래프를 체계적으로 탐색하고 복원할 수 있는 강력한 도구입니다.