기술적 요약: 전역 단조성을 넘어선 반사실 식별 가능성

1. 문제 제기

구조적 인과 모델 (SCM) 은 개입과 반사실에 대한 통합된 의미론을 제공합니다. 그러나 근본적인 과제가 남아 있습니다: 반사실 식별 가능성. 관찰 데이터만으로는 메커니즘 클래스에 대한 강력한 가정이 부과되지 않는 한 반사실 결과를 고유하게 결정하기에 종종 불충분합니다.

역사적으로 긍정적인 식별 가능성 결과는 전역 단조성(예: 가법적 노이즈, 사후 비선형 구조, 또는 단조 삼각 매개변수화) 에 의존해 왔습니다. 이러한 가정들은 외생 변수와 내생 결과 간의 관계가 고정된 방향성을 유지하도록 보장합니다.

본 논문은 체화된 상호작용 시스템 (예: 로봇공학) 에서 중요한 격차를 식별합니다: 접촉, 마찰, 기하학 등의 물리적 현상은 종종 맥락 의존적 부호 반전을 유발합니다. 이러한 시나리오에서는 동일한 외생 섭동이 부모 상태에 따라 반대 반응을 생성할 수 있습니다 (예: 한 맥락에서는 전진 운동을, 다른 맥락에서는 후진 운동을 유발하는 밀기). 전역 단조성은 이러한 시스템에 대해 지나치게 제한적이지만, 구조를 완전히 제거하면 반사실의 모호성이 복원됩니다. 핵심 질문은 다음과 같습니다: 전역 단조성이 포기된 후 반사실 식별 가능성을 유지하기 위해 필요한 구조적 제약은 무엇인가?

2. 방법론 및 이론적 프레임워크

2.1 제안된 모델 클래스: NM-TM-SCM

저자들은 **비단조 삼각 구조적 인과 모델 (NM-TM-SCM)**을 소개합니다. 이 클래스는 표준 SCM 의 재귀적 삼각 구조를 유지하지만 전역 단조성 제약을 완화합니다. 대신 두 가지 특정 조건을 부과합니다:

1. 메커니즘별 가역성: 모든 메커니즘 $i$와 모든 고정된 부모 맥락 $v_{<i}$에 대해, 외생 변수 $u_i$에서 내생 변수 $v_i$로의 매핑은 전단사 (bijection) 입니다. 이는 사실적 추론 (관찰로부터 외생 상태 복원) 이 부모가 주어졌을 때 고유함을 보장합니다.
2. 맥락 독립적 역 수송: 두 관찰 동등 모델 $M$과 $M'$에 대해, 그들의 역 메커니즘의 합성 $(f'_i(v_{<i}, \cdot))^{-1} \circ f_i(v_{<i}, \cdot)$은 부모 맥락 $v_{<i}$에 독립적이어야 합니다.

2.2 이론적 기여

본 논문은 이러한 조건들을 완전한 반사실 식별 가능성과 연결하는 이론적 체인을 확립합니다:

• 보조정리 1: 메커니즘별 가역성은 전역 해 맵 $\Gamma_M: \Omega_U \to \Omega_V$가 전단사임을 함의합니다.
• 정리 1: 공유 순서 삼각 SCM 클래스 내에서 맥락 독립적 역 수송은 외생 동형성과 동치입니다. 외생 동형성이란 두 관찰 동등 모델이 맥락에 따라 변하지 않는 외생 공간의 좌표 변환을 제외하고 동일한 잠재 세계를 공유함을 의미합니다.
• 정리 2: 외생 동형성은 완전한 반사실 식별 가능성을 함의합니다. 두 모델이 외생적으로 동형이라면, 그들은 모든 반사실 쿼리에 대해 일치해야 합니다.
• 명제 1 (예리성): 저자들은 국소 가역성만으로는 불충분함을 보여주는 구성적 반례를 제시합니다. 역 수송이 맥락에 의존하는 경우 (즉, 메커니즘의 방향이 부모에 따라 반전되는 경우), 관찰 동등 모델들이 반사실에 대해 불일치할 수 있습니다. 이는 맥락 독립적 역 수송이 단순한 편리한 충분 조건이 아닌 필수 조건임을 증명합니다.

2.3 알고리즘: CausalInverter

이러한 이론적 조건을 구체화하기 위해 저자들은 세 가지 핵심 구성 요소를 가진 구조화된 학습 모델 CausalInverter를 제안합니다:

1. 삼각 가역 계층: 구조 방정식을 가역 흐름으로 모델링합니다.
2. 맥락 의존적 방향 게이트: 부모 맥락에 따라 메커니즘이 부호를 반전시켜 비단조성을 가능하게 하는 이산 게이트 $s_{i,\theta}(v_{<i}) \in \{-1, +1\}$.
3. 수송 안정성 정규화: 서로 다른 부모 맥락에 걸쳐 학습된 역 수송의 변동을 패널티하는 손실 항 ($L_{tr}$) 으로, 맥락 독립적 역 수송 조건을 강제합니다.

학습 목적 함수는 음의 로그 가능도, 주기 일관성, 그리고 수송 안정성 정규화 항을 결합합니다.

3. 실험 결과

저자들은 CausalInverter 를 합성 메커니즘과 물리적 MuJoCo 상호작용 작업 (Push 및 Door) 에서 평가합니다.

3.1 합성 벤치마크

• 설정: 저자들은 다양한 차원과 노이즈 군에 걸쳐 전역 단조, 임계값 반전, 그리고 매끄러운 반전 메커니즘을 테스트했습니다.
• 결과:
  • 전역 단조 설정에서는 모든 구조화된 베이스라인이 경쟁력 있게 수행합니다.
  • 비단조 설정 (부모 의존적 방향 반전이 발생하는 경우) 에서는 표준 베이스라인 (ANM, 단조 삼각, 맥락적 전단사 흐름) 이 반사실 오차를 줄이지 못합니다.
  • CausalInverter는 반사실 평균 제곱 오차 (CF-MSE) 를 크게 감소시키고 방향 복원 (~0.97) 에서 높은 정확도를 달성합니다.
  • 비단조성 강도를 변화시키는 연속적인 "브릿지" 스윕은 CausalInverter 의 단조 베이스라인 대비 성능 향상이 비단조성 정도에 비례하여 선형적으로 증가함을 보여줍니다.

3.2 물리적 상호작용 작업 (MuJoCo)

저자들은 균형 잡힌 반사실 샘플링 프로토콜 하에서 CausalInverter 를 상태 기반 베이스라인 (선형 동역학, MLP, 자기회귀, GRU, Transformer, 조건부 흐름) 과 비교합니다.

• MuJoCo Door (강한 비단조성):

  • 이 작업은 강한 맥락 의존적 접촉 역학을 보입니다 (NMS 점수 $\approx 0.696$).
  • CausalInverter 는 완벽한 이벤트 수준 반사실 복원 (공식 분할에서 100% 성공) 을 달성하며, 완벽한 이벤트 정확도를 달성하는 모델들 중 가장 낮은 연속 반사실 각도 오차를 보입니다.
  • Transformer 및 조건부 흐름 베이스라인에 비해 여러 시드에서 우수한 안정성을 보입니다.
  • 제거 실험 (Ablation studies) 은 방향 게이트를 제거할 때 가장 심각한 저하가 발생함을 확인시켜, 맥락 의존적 반전을 모델링하는 것의 필요성을 검증합니다.

• MuJoCo Push (약한 비단조성):

  • 이 작업은 낮은 비단조성 점수를 가집니다 (NMS $\approx 0.175$).
  • 여기서는 CausalInverter 의 구조적 편향이 지배하지 않습니다. 더 강력한 저데이터 상태 예측기 (예: 선형 동역학, MLP) 가 경쟁력 있거나 우세합니다.
  • 저자들은 이를 편향 - 분산 경계로 해석합니다: 구조적 제약은 반사실 경로를 모호하게 만들 만큼 비단조성이 강한 경우 유익하지만, 작업이 거의 단조적인 경우 과도한 정규화가 될 수 있습니다.

4. 중요성 및 주장

본 논문은 전역 단조 삼각 모델과 제약 없는 블랙박스 세계 모델 사이에 위치한 더 넓은 식별 가능 영역을 식별한다고 주장합니다.

• 이론적 통찰: 이 연구는 전역 단조성이 반사실 식별 가능성을 위한 필수 요소가 아님을 보여줍니다. 대신, 메커니즘별 가역성과 맥락 독립적 역 수송(외생 동형성과 동치) 의 결합이 충분하고 예리한 조건입니다.
• 실용적 영향: 전역 단조성 제약을 완화함으로써, 제안된 프레임워크 (NM-TM-SCM) 와 CausalInverter 모델은 접촉과 기하학이 부호 반전을 유발하는 물리적 시스템에서 신뢰할 수 있는 반사실 추론을 가능하게 합니다.
• 경계 인식: 본 논문은 기여의 한계를 명시적으로 정의합니다. 구조적 편지는 강한 분기 민감 비단조성 (Door 작업과 같은) 이 있는 영역에서 가장 효과적입니다. 약한 비단조성 영역 (Push 와 같은) 에서는 유연한 상태 예측기가 구조화된 접근법보다 우수한 성능을 보일 수 있으며, 이는 인과 식별 가능성 제약과 작업 복잡성 간의 트레이드오프를 강조합니다.

저자들은 그들의 접근 방식이 복잡한 물리적 상호작용에서 이벤트 수준 분기 복원을 위한 매개변수 효율적인 경로를 제공하며, 인과적 보장이 부족한 순수 예측 세계 모델에 대한 구조화된 대안을 제공한다고 결론지었습니다.