To Use AI as Dice of Possibilities with Timing Computation

기술적 요약: 타이밍 계산을 통해 AI 를 가능성의 주사위로 활용하기

문제 제기
본 논문은 대규모 언어 모델 (LLM) 과 표준 기계학습 접근법으로 대표되는 AI 의 지배적인 '명사 기반' 모델링 패러다임이 미래의 표현을 근본적으로 제한한다고 주장한다. 이 패러다임에서 모델은 객체를 안정적인 잘 정의된 실체 (토큰, 특징, 데이터 포인트) 로, 관계를 함수적 매핑 ($f(x)=y$) 으로 취급한다. 결과 예측에는 효과적이지만, 이 접근법은 미래를 열린 시간적 차원으로 표현하는 데 실패한다. 이는 어떤 변수를 포함할지에 대한 추측에 의존하며, 종종 인과성을 밀집된 상관관계로 대체한다. furthermore, 기존 인과 추론 방법들은 반사실적 (counterfactual) 요소를 활용하더라도 관련 변수가 폐쇄적이며 사전에 완전히 명시되었다는 가정 하에 작동한다. 그 결과, 현재 모델들은 시간을 고정된 관찰 입력이 아닌 계산 가능한 변수로 취급하지 않기 때문에 '선택 가능한 미래'를 적절히 표현하거나 사건이 언제 발생할 수 있는지에 대한 진정한 반사실적 추론을 수행할 수 없다.

방법론: 동사 기반 패러다임
저자들은 모델링의 대상이 단일하고 결정된 미래에서 가능한 미래의 전체 공간으로 이동하는 '동사 기반' 패러다임을 제안한다. 핵심 혁신은 타이밍 계산 (Timing Computation) 으로, 시간을 단순히 학습 가능한 입력 특징이 아닌 모델의 내부 논리에서 유도된 계산 가능한 차원으로 취급하는 능력을 의미한다.

주요 방법론적 구성 요소는 다음과 같다:

• 가능성 변수 (Possibility Variables): 저자들은 변수를 $X \in \mathbb{R}^n$에서 계산 가능한 타이밍 차원 $t$를 포함하는 가능성 변수 $X = (X, t) \in \mathbb{R}^{n+1}$로 재정의한다.
• 타이밍 학습 가능 vs. 타이밍 계산 가능: 본 논문은 '타이밍 학습 가능 (ground truth 로부터 시간 정보 추출)'과 '타이밍 계산 가능 (타이밍 분포 예측)'을 구분한다. 기존 방법들은 가능성 타이밍 분포 (Distribution of Possible Timing) 에 대한 공식적 정의가 부재하기 때문에 후자를 결여하고 있다.
• 신경망 구현: 이 프레임워크는 역전파를 통해 훈련된 신경망을 활용한다. $f(x)=y$가 사전에 지정된 순방향 모델링과 달리, 이 접근법은 결정된 결과 ($y$) 로부터 역추론하여 과거 사건의 역사적 의미 ($x$) 를 복원한다.
• 가상 타임라인 ($\tau$): 모델은 입력 타임스탬프를 ground truth 로 취급하지만, 학습 가능한 매개변수에 의해 정의된 가상 상대 타이밍 $\tau(t)$를 포함하는 잠재적 시간 공간을 구성한다. 이를 통해 모델은 동일한 사건의 여러 독립적인 인스턴스를 생성하여 단일 점 추정치가 아닌 가능성 타이밍의 분포를 만들어낸다.
• 타이밍 어텐션 (Timing Attention): 환자 코호트 전체에 걸친 타이밍 분포의 집중도는 첨도 (kurtosis, '타이밍 어텐션'이라 명명됨) 를 통해 측정된다. 더 높은 타이밍 어텐션을 가진 사건은 더 집중된 분포를 보여주며, 이는 더 큰 시간적 중요성을 나타낸다.

주요 기여

1. 이론적 프레임워크: 본 논문은 '동사 (행위/선택)'가 열린 가능성을 나타내고 '타이밍'이 인과 추론에 필수적인 계산 가능한 변수라는 동사 기반의 존재론을 도입한다. 이는 AI 가 고정된 답변을 제공하는 오라클이 아니라, 열린 미래의 공간을 펼쳐 보이는 '가능성의 주사위'로 기능해야 한다고 주장한다.
2. 타이밍 계산의 공식적 정의: 저자들은 신경망 컨텍스트에서 타이밍 계산에 대한 최초의 공식적 정의를 제공하며, 이를 표준 생존 분석이나 시계열 예측과 구분한다.
3. 사전 지식 없이 데이터 기반 발견: 이 프레임워크는 사전 도메인 지식이나 사전 지정된 변수 세트 없이 순수하게 데이터 기반 방법만으로 임상적으로 중요한 궤적과 반사실적 타이밍 유도를 달성할 수 있음을 입증한다.

결과
본 프레임워크는 심독성으로 인한 심장병 발병 시점을 예측하기 위해 3,276 명의 유방암 환자로부터의 종단적 전자의무기록 (EHR) 데이터에 적용되었다. 연구는 두 가지 주요 실증적 시연을 보고한다:

1. 환자 궤적의 자동 발견:

   • 모델은 사전 정의된 규칙 없이 임상적으로 중요한 환자 궤적을 자동으로 식별했다.
   • 타이밍 어텐션 ($\kappa$): 코호트 크기가 큰 사건들은 일관되게 더 높은 타이밍 어텐션을 보였다.
   • 궤적 수렴: 모델은 서로 다른 중간 경로가 공유된 말단 사건 (예: 두 번째 방사선 요법) 에서 합쳐질 수 있음을 식별하여, 동등한 시간적 중요성을 나타냈다.
   • 중요한 전환점: 모델은 심독성 양성률이 정점을 찍은 후 감소하는 특정 사건 (예: 이뇨제 투여) 을 감지했는데, 이는 다른 경로에서의 단조로운 경향과 대조되었다.
   • 효율성: 이 접근법은 논리적 순서 제약 없이 사건을 동시 평가하여 전통적인 연관 규칙 기반 방법의 지수적 검색 복잡성을 회피했다.

2. 반사실적 타이밍 유도:

   • 모델은 양성 환자 (심독성을 발병한 환자) 가 음성으로 남아있다고 가정하여 반사실적 추론을 수행했다.
   • 타이밍 변화: 결과 분포는 코호트의 약 절반에서 세 번째 표적 요법 (Target_3) 의 상대적 타이밍이 반사실적 가정 하에 더 큰 값으로 현저히 이동했음을 보여주었다.
   • 임상적 함의: 이는 이러한 특정 환자들에 대해 세 번째 표적 요법을 연기하거나 취소하면 심독성 발병 위험을 상당히 줄일 수 있음을 시사한다.

의의 및 주장
본 논문은 이러한 결과들이 순수하게 데이터 기반 방법을 사용한 자동 궤적 발견과 반사실적 타이밍 유도에 있어 기계학습 문헌에서 최초의 시연임을 주장한다.

저자들은 이 작업이 미래 지향적이고 선택 지향적인 '사고의 문법'과 현재 모델링 패러다임 사이의 근본적인 격차를 해소한다고 논한다. 인과 시나리오의 개념적 내용인 'factum'을 가능성 공간 내의 원시 단위로 취급함으로써, 동사 기반 패러다임은 다음과 같은 효과를 가진다:

• 잔여 인과 구조를 관찰된 변수에 잘못 귀속시키는 대신 열린 가능성 공간으로 흡수함으로써 명사 기반 추론에 내재된 교란 문제를 해소한다.
• 현재 LLM 의 통계적 토큰 연관성을 넘어 인간 개념 구조와 구조적으로 정렬된 새로운 유형의 생성 모델 ('World Models') 의 기초를 제공한다.

본 논문은 구현 세부사항을 위해 부록 기술 논문 (Li et al., 2026) 을 독자에게 명시적으로 안내하며, 현재 작업이 명사 기반에서 동사 기반 모델링으로의 전환에 대한 개념적 및 실증적 필요성을 확립한다고 주장한다.