기술 요약: 인과 밀도 함수 (Causal Density Functions)

문제 정의

전통적인 인과 추론은 "그래프 수술"(예: 에지 삭제) 이후의 전체 분포를 비교하거나, 관측 모델과 개입 모델 사이의 쿨백-라이블러(KL) 발산과 같은 전역적 인과 강도 척도를 추정하는 데 집중합니다. 이러한 접근 방식은 전역적 비교에는 효과적이지만, 확률 질량이 관측 체제에서 개입 체제로 포인트 단위(pointwise level)에서 어떻게 이동하는지를 설명하는 국소적이고 미분 가능한 객체를 제공하지 못한다는 한계가 있습니다. 또한, 기존 방법들은 이산적인 그래프 연산이나 복잡한 다중 체제 설정에서 연속적인 소프트 개입 또는 경사 기반 학습과 호환되지 않을 수 있는 전역 최적화 목적 함수에 의존하는 경우가 많습니다.

본 논문은 인과 추론의 근본적인 분석적 질문이 다음과 같다고 상정합니다: 관측 확률 질량을 개입 확률 질량으로 운송하는 밀도와 같은 객체는 무엇인가?

방법론: 인과 밀도 함수와 Kan–Do Calculus

본 논문의 핵심 제안은 **인과 밀도 함수(Causal Density Functions)**의 정의이며, 이는 개입 법칙과 관측 법칙을 비교하는 라돈-니코딤(Radon–Nikodym, RN) 도함수입니다.

1. 정의 및 교정 (Definition and Calibration)

변수 $X_i$에 대한 개입에 대하여, 인과 밀도 함수 $\rho_i(z)$는 다음과 같이 정의됩니다:
$$\rho_i(z) = \frac{dP_{do(X_i)}}{dP_{obs}}(z)$$
단, 개입 법칙 $P_{do(X_i)}$가 관측 법칙 $P_{obs}$에 대해 절대 연속(absolutely continuous)이어야 합니다.

이 정의는 다음과 같은 근본적인 교정 항등식(RN calibration identity)을 도출합니다:
$$E_{do(X_i)}[f(Y)] = E_{obs}[f(Y)\rho_i(Z)]$$
이 항등식은 이론적 정의인 동시에 경험적 진단 도구로 기능합니다. 만약 추정된 밀도 비율 $\hat{\rho}$가 정확하다면, 관측 기댓값에 $\hat{\rho}$를 가중치로 적용했을 때 개입 기댓값을 재현해야 합니다.

2. 범주론적 의미론 (Categorical Semantics: Kan–Do Calculus)

본 논문은 **Kan 확장(Kan extensions)**을 사용하여 이러한 개념들에 대한 범주론적 기초를 제공합니다:

• **조건부화(Conditioning)**는 우측 Kan 확장(Right Kan extension)(보존적이고 극한을 보존하는 연산)으로 특징지어집니다.
• **개입(Intervention)**은 좌측 Kan 확장(Left Kan extension)(생성적이고 꼴리밋(colimit)과 유사한 푸시포워드 연산)으로 특징지어집니다.
• 라돈-니코딤 도함수는 이 확장들의 인접 삼조(adjoint triple)를 매개하는 유일한 자연 변환(natural transformation)으로 등장합니다.

Kan–Do Calculus라고 명명된 이 프레임워크는 조건부화와 개입을 호환 가능한 보편적 연산으로 통합합니다. 이는 측도론적 RN 도함수를 명시적으로 포함하고, RN 밀도가 관측 측도와 개입 측도 사이의 정준적인 미분(canonical differential)임을 확립함으로써 기존의 "Judo Calculus"를 일반화합니다.

3. 추정 및 스코어링 (Estimation and Scoring)

저자들은 이러한 밀도를 추정하고 인과 발견(causal discovery)에 사용하는 실용적인 파이프라인을 제안합니다:

• 밀도 추정: 정규화 흐름(normalizing flows) 또는 밀도 비율 모델을 사용하여 공유 서포트(shared support) 상의 $P_{obs}$와 $P_{do(X_i)}$를 추정하고, $\hat{\rho}(z) = \exp(\log \hat{p}_{do}(z) - \log \hat{p}_{obs}(z))$를 계산합니다.
• 교정(Calibration): 모멘트 갭 $\Delta_f = |E_{obs}[f(Z)\hat{\rho}(Z)] - E_{do}[f(Z)]|$를 측정하여 추정치를 검증합니다. 큰 갭은 낮은 체제 중첩(regime overlap) 또는 추정 실패를 나타냅니다.
• Do-curves: 관측 샘플에 가중치를 부여하여 응답 곡선 $x \mapsto E[Y | do(X_i=x)]$를 추정합니다.
• 방향성 에지 스코어링 (Directed Edge Scoring): $\rho_i$로 가중치를 준 후의 $X_j$의 잔차 분산을 통해 후보 원인 $X_i \to X_j$를 순위 매기는 쌍별 점수 $s_{ij}$를 정의합니다:
  $$s_{ij} = E_{obs}\left[ \frac{\hat{\rho}_i(Z)(X_j - \hat{E}[X_j|X_i])^2}{\text{Var}(X_j)} \right]$$
  낮은 점수는 더 강력한 인과적 지지를 의미합니다.
• Sheaf Coherence: 여러 체제를 처리하기 위해, 서로 다른 환경 간의 최대 평균 불일치(MMD)에 기반한 안정성 페널티를 도입하여 추정된 구조가 일관성을 갖도록 합니다.

주요 기여

1. 인과 밀도 함수의 정의: 본 논문은 인과 효과를 그래프 삭제나 전체 분포 발산에 기반한 전역적 인과 강도 척도와 구별되는, RN 비율($dP_{do}/dP_{obs}$)을 통한 국소적 객체로 정의합니다.
2. 교정 및 스코어링을 위한 추정기: 인과 밀도 교정, do-curves, 방향성 에지 스코어를 위한 실용적인 추정기를 도출하며, 핵심적인 추정 대상이 하위 단계의 그래프 자체가 아니라 밀도 비율 그 자체임을 강조합니다.
3. RN–Kan 의미론: 조건부화, 개입, 그리고 측도 변화(change of measure)가 Kan 확장을 통해 어떻게 연결되는지에 대한 압축적인 범주론적 의미론을 제공하며, 이때 범주론이 유일한 경험적 주장이 되지는 않습니다.
4. 실험적 평가: 제안된 프레임워크를 알려진 정답이 있는 합성 시스템과 실제 섭동 데이터셋(Sachs 단백질 신호 전달, LINCS, PISA)에 대해 평가하여, 성공적인 회복 사례와 약한 체제 중첩 시의 실패 모드를 모두 분석합니다.

실험 결과

본 논문은 다음 도메인에서 추정기를 평가합니다:

• 합성 가우시안 시스템: 인과 밀도 추정치가 거의 정확하며, RN 교정 갭이 0에 가깝게($\approx 0.001$) 나타나 측도 변화와 Kan 확정의 이론적 호환성을 확인했습니다.
• Sachs 단백질 신호 전달 (S9): 생물학적으로 의미 있는 방향성(예: PKC→P38, Raf→MEK)을 작은 교정 오차($\approx 0.01$)와 함께 회복했습니다. 쌍별 스코어만 사용했을 때는 조밀한 그래프(SHD=30)를 생성했으나, sheaf-coherence 페널티와 다변량 회귀를 추가하여 구조를 개선했습니다(SHD=16).
• LINCS L1000 패널: 높은 섭동이 존재하는 생물학적 환경에서 교정 갭이 증가($\approx 0.12$)하여 강한 체제 이질성을 반영했습니다. 그럼에도 불구하고, 이 방법은 안정적인 드라이버 유전자(예: HSPAGEN8→CDC25B)를 식별하고 매끄러운 do-curves를 생성했습니다.
• PISA 2022 사회경제 데이터: 국가 간 체제 차이에 대한 스트레스 테스트로 사용되었습니다. 그럴듯한 사회경제적 구조는 회복되었으나, 극심한 국가 간 이질성으로 인해 큰 교정 갭($\Delta \approx 4.0$)을 보였으며, 이는 의도된 실패 모드(체제 중첩이 낮을 때)를 입증합니다.
• 다중 체제 체인 (Multi-Regime Chain): 소프트 개입이 포함된 합성 체인 $X_1 \to \dots \to X_8$에서, 밀도 필드는 방향성 밴드를 정확히 식별했으나, 완벽한 그래프 회복을 위한 부모 노드 선택 능력은 여전히 제한적이었습니다(SHD=8, F1=0.33).

의의 및 주장

본 논문은 인과 밀도 함수가 전역적 인과 강도 척도에 비해 더 세밀하고, 미분 가능하며, 국소적으로 해석 가능한 대안을 제공한다고 주장합니다. 개입을 좌측 Kan 확장으로, 조건부화를 우측 Kan 확장으로 프레이밍함으로써, 본 연구는 소프트 개입과 연속적인 파라미터를 자연스럽게 수용하는 보편적인 수학적 의미론을 제공합니다.

저자들은 **교정 항등식(calibration identity)**이 가장 중요한 진단 도구임을 강조합니다: 이는 연구자가 추정된 밀도 비율이 실제로 관측 기댓값을 개입 기댓값으로 운송하는지를 검증할 수 있게 해줍니다. 또한, 쌍별 에지 스코어가 순수 구조 회복 측면에서 NOTEARS나 DCDI와 같은 성숙한 그래프 최적화 방법과 아직 경쟁적이지는 않다는 점을 인정하면서도, 본 연구의 일차적 기여는 인과 밀도 자체의 추정과 교정에 있음을 명시합니다. 이 프레임워크는 국소적 밀도 비율이 sheaf coherence를 통해 결합되어 전역적으로 일관된 인과 모델을 형성하는, 확장 가능한 다중 체제 인과 발견을 향한 단계로 제시됩니다.

본 연구는 모든 인과 발견 문제를 해결하려 하기보다, 체제 중첩이 양호할 때 가장 신뢰할 수 있으며, 체제 간 격차가 커짐에 따라 예측 가능한 방식으로 성능이 저하된다는 점(이는 RN 교정 갭에 의해 명시적으로 포착됨)을 강조하며, 이 동작이 의도된 설계임을 밝힙니다.