Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models

이 논문은 상태 기반 의사난수 생성기가 시뮬레이션 실행 경로에 따라 무작위 입력의 인과적 일관성을 해친다는 문제를 지적하고, 사건 식별자와 결합된 카운터 기반 생성기를 사용하여 대조군 시뮬레이션의 인과적 타당성을 회복하는 방법을 제안합니다.

핵심

이 논문은 **"시뮬레이션으로 미래를 예측할 때, 우리가 실수로 엉뚱한 비교를 하고 있을지도 모른다"**는 놀라운 사실을 지적합니다.

간단히 말해, 컴퓨터로 질병 확산이나 정책 효과를 시뮬레이션할 때 사용하는 '무작위 숫자 생성기' 방식에 치명적인 결함이 있어, 진짜 인과관계 (원인과 결과) 를 왜곡할 수 있다는 것입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🎬 비유: "동일한 배우, 다른 대본" vs "배우가 바뀌는 무대"

이 논문의 핵심은 **공통 무작위수 (Common Random Numbers, CRN)**라는 기술에 있습니다. 이는 두 가지 상황 (예: 백신을 맞은 경우 vs 맞지 않은 경우) 을 비교할 때, **완전히 똑같은 '운' (무작위 요소)**을 적용해야 공정한 비교가 된다는 원리입니다.

1. 기존 방식의 문제점: "줄서기 (Stateful PRNG)"

지금까지 연구자들은 컴퓨터가 무작위 숫자를 뽑을 때, 한 줄에 서서 순서대로 번호를 뽑는 방식을 썼습니다.

• 상황: 백신을 맞지 않은 사람 (A) 이 병에 걸렸다고 가정해 봅시다.
• 문제: A 가 병에 걸리면, 컴퓨터는 "다음 단계는 잠복기 시간을 정하자"라고 생각해서 또 다른 무작위 숫자를 하나 더 뽑습니다.
• 결과: 그런데 백신을 맞은 상황 (B) 에서는 A 가 병에 걸리지 않았습니다. 그래서 "잠복기 시간 정하기"라는 단계가 아예 생략됩니다.
• 치명타: 이 작은 차이 때문에, **B 상황의 다음 단계 (예: B 의 친구 C 가 병에 걸릴지 말지 정하는 단계)**에서 뽑히는 무작위 숫자가 A 상황과 완전히 달라집니다.

🍕 피자 비유:

• A 상황 (백신 없음): 피자를 시켰는데, "치즈 추가"를 요청해서 주문이 2 단계로 길어졌습니다.
• B 상황 (백신 있음): "치즈 추가"를 안 해서 주문이 1 단계로 짧아졌습니다.
• 결과: 두 상황 모두 "다음 손님"에게 줄 피자를 만들 때, A 는 2 번 째 재료를, B 는 1 번 째 재료를 받게 됩니다.
• 비극: 우리는 "치즈 추가가 피자의 맛에 미치는 영향"을 비교하려 했지만, 사실은 다른 재료를 쓴 피자를 비교하고 있었던 것입니다.

이 논문은 이것이 **"실행 경로에 의존하는 무작위성"**이라고 부르며, 과학적으로 인과관계를 왜곡한다고 말합니다. 백신을 맞았는지 여부가, 친구가 병에 걸릴지 말지 결정하는 '운'까지 바꿔버리는 꼴이기 때문입니다.

2. 새로운 해결책: "이름표가 달린 무작위수 (Event-Keyed Hashing)"

저자들은 이 문제를 해결하기 위해 무작위 숫자를 뽑는 방식을 완전히 바꿀 것을 제안합니다.

• 새로운 방식: 줄서기 방식 대신, **각 사건마다 고유한 '이름표 (키)'**를 붙여서 무작위 숫자를 뽑습니다.
  • "사람 1 이 병에 걸리는 사건" → 이름표: Event_1
  • "사람 2 가 병에 걸리는 사건" → 이름표: Event_2
• 작동 원리:
  • 백신을 맞든 말든, **Event_2 (사람 2 의 감염)**라는 이름표는 변하지 않습니다.
  • 컴퓨터는 Event_2라는 이름표를 보고, 항상 같은 무작위 숫자를 뽑아냅니다.
  • 만약 백신 때문에 Event_1 (사람 1 의 감염) 가 사라져도, Event_2의 이름표와 뽑히는 숫자는 완전히 영향을 받지 않습니다.

🎫 티켓 비유:

• 기존 방식: 번호표 (1 번, 2 번, 3 번...) 를 순서대로 뽑습니다. 1 번이 취소되면 2 번이 1 번이 되어버려서 모든 번호가 바뀝니다.
• 새로운 방식: 각 손님에게 **고유한 이름표 (이름: 홍길동, 좌석: 10 번)**를 줍니다.
• 홍길동이 병에 걸려서 좌석을 비워도, 다른 손님 (김철수) 의 이름표와 좌석 번호는 절대 바뀌지 않습니다. 김철수는 항상 자신의 이름표대로 운을 결정받습니다.

🌟 이 논문이 왜 중요한가요?

1. 공정한 비교: 백신이나 치료법의 효과를 평가할 때, "운"이 달라지는 것을 막아 진짜 효과만 골라낼 수 있습니다.
2. 과학적 엄밀성: 인과관계 (Causal Inference) 를 연구하는 과학자들에게, 시뮬레이션이 철학적으로나 수학적으로나 올바른 비교를 할 수 있게 해줍니다.
3. 실용성: 이 방법은 컴퓨터 성능을 떨어뜨리지 않으면서도, 병렬 처리 (여러 컴퓨터가 동시에 작업) 를 더 쉽게 만들어줍니다.

💡 한 줄 요약

"시뮬레이션에서 무작위성을 줄 때, 순서에 따라 뽑으면 안 되고, 사건 자체의 이름에 따라 뽑아야 진짜 공정한 비교가 가능하다!"

이 논문의 제안은 마치 시뮬레이션 세계의 '공정성'을 지키는 새로운 규칙을 만드는 것과 같습니다. 앞으로 질병 예방 정책이나 경제 모델을 만들 때, 이 '이름표 방식'을 사용하면 훨씬 더 신뢰할 수 있는 결과를 얻을 수 있을 것입니다.

기술 요약

1. 문제 정의 (Problem)

배경:
에이전트 기반 모델 (ABM) 은 역학, 경제학, 정책 분석 등에서 개체 수준의 인과적 치료 효과 (Treatment Effects) 를 추정하기 위해 널리 사용됩니다. 이러한 시뮬레이션에서 분산을 줄이고 추정 효율성을 높이기 위해 공통 난수 (Common Random Numbers, CRNs) 기법이 표준적으로 사용됩니다. CRNs 는 서로 다른 시나리오 (예: 기저군 vs 개입군) 에서 동일한 난수 입력을 공유하여 두 시나리오 간의 공분산을 높이고 분산을 줄이는 것을 목표로 합니다.

핵심 문제:
현실적으로 CRNs 는 동일한 기본 시드 (base seed) 를 재사용하여 구현되지만, 이는 **"동일한 난수 추출 인덱스가 시나리오 간에 동일한 모델링된 사건 (modeled event) 에 대응된다"**는 가정에 의존합니다.

• 상태 유지형 PRNG 의 한계: 대부분의 시뮬레이션은 상태 유지형 의사난수 생성기 (Stateful PRNG, 예: Mersenne Twister) 를 사용합니다. 이는 내부 상태를 변경하며 순차적으로 난수를 생성합니다.
• 실행 경로 의존성 (Execution-Path Dependency): 개입 (Intervention) 이 시뮬레이션의 제어 흐름 (예: 감염 발생 시에만 발병 기간을 추출하는 조건부 분기) 을 변경하면, 이전 단계에서 소비된 난수의 개수가 달라집니다. 이로 인해 하류 (downstream) 사건들이 사용하는 난수 인덱스가 시나리오 간에 어긋나게 됩니다.
• 인과적 불일치: 결과적으로 동일한 모델링된 사건 (예: "개인 2 의 감염") 이 개입 유무에 따라 서로 다른 난수 (외생 노이즈) 를 받게 됩니다. 이는 구조적 인과 모델 (SCM) 이 요구하는 "외생 노이즈는 고정되고 구조 방정식만 변한다"는 전제를 위반하여, 인과적으로 일관성 없는 (causally incoherent) 반사실적 (counterfactual) 비교를 초래합니다.

2. 방법론 (Methodology)

저자들은 이 문제를 구조적 인과 모델 (Structural Causal Models, SCM) 의 관점에서 형식화하고 해결책을 제시합니다.

A. 이론적 분석: 실행 불변성 (Execution Invariance) 의 부재

• SCM 관점: SCM 에서 개입은 외생 변수 $U$를 고정시킨 채 구조 방정식 $F$만 변경하는 것으로 정의됩니다. ABM 이 유효한 SCM 이 되려면, 시나리오가 달라져도 동일한 사건 $e$에 할당된 외생 노이즈 $U_e$가 동일해야 합니다 (실행 불변성).
• 현재의 실패: 상태 유지형 PRNG 를 사용할 때, 사건 $e$의 노이즈는 사건 자체의 정체성이 아닌, **이전까지 소비된 난수 추출 횟수 (Draw Index)**에 의해 결정됩니다. 개입으로 인해 제어 흐름이 바뀌면 이 인덱스가 변하므로, 동일한 사건이 다른 노이즈를 받게 되어 인과적 연결이 끊어집니다.
• 구체적 예시: 백신 개입으로 인해 1 번 인물의 감염이 막히면, 감염 시에만 실행되는 '잠복기 추출' 코드가 실행되지 않습니다. 이로 인해 2 번 인물의 감염 확률 추출 시 사용하는 난수가 원래 계획된 것 (3 번째 난수) 이 아닌, 앞당겨진 것 (2 번째 난수) 으로 바뀌게 되어 인과적 일관성이 깨집니다.

B. 해결책: 이벤트 기반 난수 생성 (Event-Keyed Random Number Generation)

• 카운터 기반 PRNG (Counter-Based PRNG): Philox, Threefry 와 같은 해시 기반 PRNG 를 사용합니다. 이들은 내부 상태를 유지하지 않고, **입력 (키와 카운터) 에만 의존하여 순수 함수 (Pure Function)**로 동작합니다.
• 이벤트 식별자 (Event Identifiers): 각 난수 추출을 시드와 함께 고유한 **이벤트 식별자 (Event ID)**의 함수로 만듭니다.
  • $R = g(\text{seed}, \text{event\_id})$
  • 여기서 $\text{event\_id}$는 시나리오 간에 불변인 사건 식별자 (예: "시간 $t$, 개인 $i$, $r$번째 접촉") 입니다.
• 실행 불변성 회복: 이벤트 식별자가 실행 순서나 이전 결과에 의존하지 않으므로, 개입으로 인해 어떤 사건이 실행되지 않더라도 다른 사건의 난수 식별자는 변하지 않습니다. 이는 SCM 이 요구하는 "동일한 외생 노이즈" 조건을 충족시킵니다.

C. 이벤트 키 설계 가이드라인

• 세분화: 서로 다른 모델링된 사건은 고유한 식별자를 가져야 합니다 (예: 시간, 에이전트 ID, 사건 유형 포함).
• 불변성: 이벤트 키는 개입으로 인해 변할 수 있는 내생적 상태 (예: 특정 날의 전체 감염 수) 를 포함해서는 안 됩니다.
• 계보적 안정성: 에이전트 ID 는 출생 순서 등에 따라 변하지 않도록 설계해야 합니다 (예: 부모 ID 와 출생 순서를 기반으로 하계 ID 생성).

3. 주요 기여 (Key Contributions)

1. 인과적 불일치의 형식화: 상태 유지형 PRNG 가 ABM 의 과학적 인과 구조와 프로그램 수준의 인과 구조 사이의 근본적인 불일치를 초래함을 구조적 인과 모델 (SCM) 프레임워크를 통해 엄밀하게 증명했습니다.
2. 실행 불변성 (Execution Invariance) 개념 도입: 반사실적 추론을 위해 시뮬레이션이 만족해야 할 핵심 속성으로 '실행 불변성'을 정의하고, 이것이 표준 PRNG 사용 시 어떻게 위반되는지 보였습니다.
3. 이벤트 기반 해싱 솔루션 제시: 카운터 기반 PRNG 와 이벤트 식별자를 결합한 새로운 구현 패러다임을 제안하여, 난수 생성을 실행 순서에서 해방시키고 사건 정체성에 기반하도록 만들었습니다.
4. 모델링 선택의 명시화: 이벤트 키 설계가 단순한 기술적 구현이 아니라, "어떤 외생적 무작위성이 시나리오 간에 동일하게 유지되어야 하는가"에 대한 중요한 과학적 모델링 선택임을 강조했습니다.

4. 결과 및 함의 (Results & Implications)

• 분산 감소의 예측 가능성: 상태 유지형 PRNG 를 사용할 때 CRNs 는 오히려 분산을 증가시키거나 무효화할 수 있지만, 이벤트 기반 방식은 일관된 양의 공분산을 보장하여 분산 감소 효과를 극대화합니다.
• 개체 수준 반사실적 추정의 유효성: 상태 유지형 PRNG 는 개체 수준의 치료 효과 (ITE) 추정을 무의미하게 만듭니다 (동일한 개체가 다른 확률적 사건에 노출된 것으로 간주됨). 제안된 방법은 개별 에이전트의 잠재적 결과 (Potential Outcomes) 를 인과적으로 유효하게 비교할 수 있게 합니다.
• 추가 분석의 신뢰성: 민감도 분석, 분산 분해 (Sobol indices), 매개 분석 (Mediation analysis) 등 하류 분석들이 실행 경로 의존성으로 인해 왜곡되는 것을 방지합니다.
• 성능 및 병렬화: 현대의 카운터 기반 PRNG 는 상태 유지형 PRNG 와 유사한 속도를 가지며, 내부 상태가 필요 없어 다중 코어 환경에서 병렬화가 훨씬 용이합니다.

5. 의의 (Significance)

이 논문은 ABM 및 확률적 시뮬레이션 분야에서 **실행 불변성 (Execution Invariance)**을 단순한 최적화 문제가 아닌, 인과적으로 일관된 추론을 위한 핵심 요구사항으로 재정의했습니다.

• 과학적 엄밀성: 연구자들이 시뮬레이션 결과를 통해 "만약 ~했다면"이라는 반사실적 질문에 답할 때, 모델이 실제로 의도한 인과 구조를 faithfully (신실하게) 구현하고 있음을 보장합니다.
• 방법론적 전환: 상태 유지형 PRNG 에서 함수형 (Functional) 인 접근법으로의 전환을 촉진하며, 이는 재현성 (Reproducibility), 디버깅, 병렬 처리의 이점도 함께 제공합니다.
• 모델링 책임: 연구자에게 "어떤 사건을 동일하게 볼 것인가"에 대한 명시적인 설계 책임을 부여함으로써, 더 투명하고 검증 가능한 시뮬레이션 모델링을 장려합니다.

결론적으로, 이 연구는 ABM 을 통한 인과 추론의 신뢰성을 높이기 위해 **이벤트 기반 해싱 (Event-Keyed Hashing)**을 표준 관행으로 채택할 것을 강력히 권고합니다.