📊 statistics

Infinitesimal Causality

이 논문은 개입(intervention)을 복제/폐기 구조의 접 접변형(tangent deformation)으로 모델링하고, 인과적 충분성(causal sufficiency)을 대수적 프로베니우스 연산과 기하학적 적분 가능 조건 사이의 호환성으로 정의함으로써, 퍼얼(Pearl)의 do-계산법에 대한 리 이론적(Lie-theoretic) 토대를 제공하는 프로베니우스 마르코프 범주에서의 미소 인과성에 관한 범주론적 프레임워크를 제시한다.

원저자: Sridhar Mahadevan

게시일 2026-06-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sridhar Mahadevan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

핵심 아이디어: 인과관계를 "미세한 밀기"로 이해하기

당신이 어떤 기계가 어떻게 작동하는지 이해하려고 노력하고 있다고 상상해 보세요. 보통 우리는 기계를 보며 "내가 이 레버를 당기면 어떻게 될까?"라고 묻습니다 (이것이 **개입(intervention)**입니다).

인과관계를 연구하는 전통적인 방법들(Pearl의 do-calculus와 같은 방식)은 이것을 레고 놀이처럼 다룹니다. 블록 하나를 빼내고 다른 것으로 교체한 뒤, 그림이 어떻게 변하는지 살펴보는 것이죠. 이는 "전과 후"를 비교하는 스냅샷 방식입니다.

이 논문은 이를 바라보는 다른 방식을 제안합니다. 블록 전체를 교체하는 대신, 기계에 아주 작고 미세한 충격을 가한다고 상상해 보세요. 저자들은 이를 **무한소 인과관계(Infinitesimal Causality)**라고 부릅니다. 그들은 이렇게 묻습니다. "만약 내가 이 레버를 아주 조금만 살짝 민다면, 기계의 내부 구조는 어떻게 꿈틀거릴까?"

그들은 이러한 "꿈틀거림"을 기술하기 위해 고급 수학(범주론과 기하학)을 사용하여 이를 접벡터(tangent vectors)(특정 방향을 가리키는 아주 작은 화살표)로 설명합니다. 저자들은 인과관계를 진정으로 이해하려면, 단순히 큰 블록을 교체하는 것이 아니라 이러한 미세한 밀기(nudge)를 연구해야 한다고 주장합니다. 특히 우리가 볼 수 없는 숨겨진 부분들이 있을 때 더욱 그렇습니다.

기계의 세 가지 층위

저자들은 이 이론을 샌드위치처럼 세 가지 층위 위에 구축합니다.

확률 층위 (마르코프, Markov): 이것은 기본적인 규칙 책입니다. "내가 X를 본다면, Y가 일어날 확률은 얼마인가?"를 다룹니다. 무작위성과 불확실성을 처리합니다.
복제/폐기 층위 (프로베니우스, Frobenius): 이것은 "고전적인" 부분입니다. 현실 세계에서 만약 당신이 데이터(예: 온도 측정값)를 가지고 있다면, 그것을 두 번 적기 위해 복제하거나, 필요 없다면 폐기할 수 있습니다. 논문은 데이터를 복제하거나 버리는 이 능력을 근본적인 수학적 구조로 취급합니다.
미세한 밀기 층위 (접, Tangent): 이것은 새로운 층위입니다. "시스템을 살짝 밀었을 때, 데이터를 복제하거나 폐기하는 능력이 그대로 유지되는가?"를 묻습니다.

핵심 질문: 시스템을 밀었을 때, "복제/폐기" 구조가 깨지는가? 만약 깨진다면, 이는 무언가 숨겨진 요소(잠재적 교란 요인)가 상황을 망치고 있다는 뜻입니다.

"숨겨진 풀(Glue)" 비유

앨리스와 밥이 각각 풍선을 하나씩 들고 있다고 상상해 봅시다.

앨리스는 자신의 풍선에 공기를 불어넣습니다.
밥도 자신의 풍선에 공기를 불어넣습니다.
그들은 서로 독립적으로 보입니다.

하지만, 만약 숨겨진 제3자(교란 요인)가 몰래 두 풍선 모두에 동시에 공기를 불어넣고 있다면 어떨까요?

전통적인 수학에서는 풍선들을 관찰할 때, 그저 우연히 함께 움직이는 것이라고 생각할 수 있습니다. 하지만 이 논문의 "미세한 밀기" 관점에서는 다음과 같습니다.

앨리스의 풍선을 살짝 밀고 나서 밥의 풍선을 살짝 밀는 것과,
밥의 풍선을 먼저 밀고 나서 앨리스의 풍선을 미는 것은 결과가 다릅니다. 즉, 밀는 순서가 중요합니다.
이 "순서가 중요하다"는 효과를 리 브래킷(Lie Bracket)(수학적 용어로 "비틀림" 또는 "잔차"를 의미함)이라고 부릅니다.

만약 풍선들이 정말로 독립적이라면, 밀는 순서가 상관없습니다(비틀림이 0임). 하지만 만약 둘을 연결하는 숨겨진 사람이 있다면(교란 요인이 있다면), 순서가 중요해지며 "비틀림"이 나타납니다. 논문은 이 "비틀림"이 숨겨진 원인의 기하학적 징표라고 말합니다.

세 가지 새로운 규칙

논문은 세 가지 유명한 인과 발견 규칙을 이 "미세한 밀기" 언어로 번역합니다. 이를 당신의 이해가 맞는지 확인하는 세 가지 테스트라고 생각하세요.

"무시하기" 규칙 (폐기):
- 기존 방식: 어떤 변수가 중요하지 않다면, 방정식에서 그 변수를 삭제할 수 있습니다.
- 새로운 방식: 시스템을 밀었을 때, 특정 데이터를 "버리는(discarding)" 행위가 결과에 변화를 주는가? 만약 답이 아니오라면, 그 데이터는 정말로 무관한 것입니다. 만 만약 답이 예라면, 그 데이터는 비밀스럽게 중요했던 것입니다.
"교체" 규칙 (행동 vs 관찰):
- 기존 방식: 때때로 변수를 관찰하는 것이 (다른 것들을 조절할 수 있다면) 그것을 통제하는 것과 같습니다.
- 새로운 방식: 시스템을 밀었을 때, 관찰에서 통제로 전환할 때 "데이터를 복제하는 것"이 일관되게 유지되는가? 만약 그 교체 과정에서 "복제" 구조가 깨진다면, 그 규칙은 성립하지 않습니다.
"순서가 상관없음" 규칙 (독립성):
- 기존 방식: 두 가지가 독립적이라면, 하나를 하는 것이 다른 것에 영향을 주지 않습니다.
- 새로운 방식: A를 밀고 나서 B를 밀는 것과, B를 밀고 나서 A를 미는 결과가 같은가? 만약 결과가 다르다면(즉, "잔차"나 "비틀림"이 남는다면), 당신이 파악하지 못한 숨겨진 연결 고리가 존재한다는 뜻입니다.

그래프는 단지 "지도"일 뿐, "영토"가 아니다

이 논문의 주요 논점은 인과 그래프(화살표가 그려진 도표)가 기계 자체가 아니라, 기계를 그리는 하나의 방식일 뿐이라는 점입니다.

논문의 관점: 진짜 대상은 "미세한 밀기" 구조(데이터가 복제되고 비틀리는 기하학적 구조)입니다.
그래프의 역할: 그래프는 그 구조를 보여주는 특정한 "표현" 또는 "지도"일 뿐입니다.
문제점: 서로 다른 지도(그래프)가 동일한 기계를 설명할 수 있습니다. 때로는 완벽해 보이는 그래프가 있지만, "미세한 밀기" 테스트를 해보면 그래프가 놓친 숨겨진 비틀림이 드러나기도 합니다.

저자들은 완벽한 그래프를 찾으려 하기보다, 먼저 "미세한 밀기" 구조와 "비틀림"을 측정해야 한다고 제안합니다. 만약 비틀림이 0이라면 단순한 그래프가 작동할 수 있습니다. 만약 비틀림이 0이 아니라면, 숨겨진 복잡성이 존재한다는 것을 알게 되며 더 깊이 들여다봐야 한다는 뜻입니다.

요약

이 논문은 인과관계 수학의 새로운 방식을 도입합니다. 단순히 도표 속의 블록을 교체하는 대신, 개입을 미세한 밀기로 취급합니다.

이것이 정보를 복제하고 폐기하는 능력을 보존하는지 확인합니다.
비틀림(Lie bracket)을 측정하여 숨겨진 연결을 감지합니다.
그래프를 더 깊은 기하학적 실체를 보여주는 하나의 가능한 그림으로 취급합니다.

목표는 즉각적으로 그래프를 대체하는 것이 아니라, 표준적인 도표가 실패할 때조차 숨겨진 원인을 찾아낼 수 있는 더 견고한 수학적 토대를 제공하는 것입니다.

기술 요약: 무한소 인과성 (Infinitesimal Causality)

문제 정의
현재의 범주론적 인과 추론 처리 방식(예: 범주적 do-calculus 및 string-diagram surgery; Fritz and Klingler, 2023; Jacobs et al., 2018)은 이산적인 조합 구조 수준에서 개입을 정형화한다. 이러한 프레임워크는 인과적 구문(예: 와이어 절단, 출력에 대한 조건화)을 어떻게 재작성할지는 설명하지만, 개입이 통계적 매니폴드를 어떻게 변형시키는지에 대한 무한소 기하학(infinitesimal geometry)은 다루지 못한다. 구체적으로, 이들은 특정 그래프 표현과 독립적으로, 잠재적 교란(latent confounding)이 어떻게 기하학적 장애물(예: 0이 아닌 Lie bracket)로 나타나는지를 설명하는 메커니-즘이 결여되어 있다. 본 논문은 개입을 관측 가능한 변수가 지닌 복제/폐기(copy/discard) 구조의 접변형(tangent deformation)으로 취급함으로써, 그래피컬 재작성이 아닌 미분 결함(derivative defects)을 통해 인과적 불충분성을 탐지할 수 있는 프레임워크의 필요성을 다룬다.

방법론
본 논문은 **접사상 세만틱스(tangent-bundle semantics)**를 갖춘 프로베니우스 마르코프 범주(Frobenius Markov categories) 내에서의 무한소 인과성에 대한 범주론적 설명을 도입하는 **무한소 do-calculus (IDC)**를 소개한다. 방법론은 세 가지 개념적 층위에 기초한다:

마르코프 구조(Markov Structure): 관측, 조건화, 베이지안 역전의 통계적 추론 구문을 제공한다.
프로베니우스 구조(Frobenius Structure): 고전적 정보의 구문을 제공하며, 여기서 관측 가능한 변수(특히 충분 통계량)는 특수한 가환 프로베니우스 코모노이드(commutative Frobenius comonoid) $(\delta, \varepsilon)$ 를 통해 복제, 비교, 폐기될 수 있다.
접 구조(Tangent Structure): 개입은 프로베니우스 복제/폐기 연산을 변형하는 벡터장(접벡터)으로 모델링된다.

핵적인 기술적 혁신은 **프로베니우스-미분 결함(Frobenius-derivative defects)**의 정의이다. IDC는 다이어그램을 재작성하는 대신, 무한소 개입 장(intervention fields)이 고전적 관측의 대수적 구조를 보존하는지 여부를 분석한다. 이 프레임워크는 다음을 구분한다:

대수적 프로베니우스 구조: 충분 통계량 상의 범주적 복제/폐기 연산.
기하학적 프로베니우스 적분 가능성(Geometric Frobenius Integrability): 개입 벡터장의 분포가 인볼루티브(involutive, 즉 Lie bracket에 대해 닫혀 있음)하다는 조건.

본 논문은 충분 통계량에 의해 제시되는 정규 유한 차원 통계 모델의 범주인 Stat $^\infty$ 와, 외생 변수에 의해 확률성이 운반되고 가시적 법칙은 결정론적 메커니즘의 푸시포워드(pushforward)인 구조적 부분 범주인 Stat $^\infty_{SCM}$ 를 정의한다. 이 설정에서 개입은 외생 공간 상의 접벡터로 정의되며, 이는 관측 변수에 대한 전역적 Radon–Nikodym 밀도 비율과 관련된 특이점 문제를 피하게 해준다.

주요 기여

Stat $^\infty$ 및 Stat $^\infty_{SCM}$ 의 정의: 충분 통계량이 프로베니우스 구조를 운반하고 파라미터 공간이 접 구조를 갖는 통계 모델의 범주적 기질을 정의한다. 메커니즘은 결정론적이고 확률성은 외생적임을 분리하여, 투영 전 외생 접번들(exogenous tangent bundle) 상에서 무한소 개입을 정의할 수 있도록 한다.
범주적 인과 충족성(Categorical Causal Sufficiency): 인과 충족성을 두 조건의 일치로 재정의한다: (a) 대수적 프로베니우스 복제/폐기 구조가 개입에 의해 보존됨, (b) 개입 장의 분포가 인볼루티브함(Lie bracket에 대해 닫힘).
프로베니우스-미분 결함: $\partial_i \delta_j$ 를 복제 보존적 무한소 개입에 대한 기본 장애물로 도입한다. 0이 아닌 결함은 개입이 변수의 복제 구조를 변형함을 나타내며, 이는 인과적 충족성의 실패 또는 잠재적 교란의 존재를 신호한다.
세 가지 무한소 개별 규칙: 고전적인 do-calculus 규칙들을 프로베니우스 구조와 접 장을 포함하는 방정식으로 재구성한다:
- 규칙 1 (무관성): 무관한 변수를 폐기하는 것은 Lie 미분이 counit $\varepsilon_j$ 에 대해 0일 때( $L_{v_i}\varepsilon_j = 0$ ) 개입과 교환 가능하다.
- 규칙 2 (작용/관측 교환): 작용을 관측으로 교환하는 것은 Kan 수송(Kan transport) 이후 프로베니우스 코프로덕트가 0이 될 때( $\partial_i \delta_j = 0$ ) 프로베니우스 코프로덕트를 보존한다.
- 규칙 3 (독립성): 독립적인 개입은 가시적 접 분포 하에서 Lie bracket 잔차(residual)가 0일 때( $[v_i, v_j] \perp \mathcal{A}_{vis} = 0$ ) 닫혀 있다.
제시(Presentations) 대 기초(Foundations): 본 논문은 그래피컬 인과 모델이 근저에 있는 프로베니우스-마르코프 대상의 단순한 제시일 뿐, 이론의 원시 대상이 아니라고 주장한다. 유한한 그래피컬 구문(그래프나 imset 등)은 비보존적(non-conservative)인데, 이는 서로 다른 제시들이 동형인 가시적 프로베니우스 대수를 유도할 수 있기 때문이다.

결과

정리 4.7 (프로베니우스-비순환성): 분리된 가시적 층(separated visible stratum)에서, 범주적 인과 충족성은 "접 프로베니우스 가환성(tangent Frobenius commutativity)"과 동치이다. 즉, 모든 가시적 개입 장은 프로베니우스 복제/폐기 구조를 보존하며, 가시적 개입 분포는 인볼루티브하다.
정리 6.7: 세 가지 무한소 규칙(counit 불변성, coproduct intertwining, bracket closure)은 가시적 인과 충족성을 특징짓는다.
따름정리 6.8: 평탄한 경우(곡률 잔차가 0인 경우), 무한소 규칙들은 고전적인 이산 do-calculus 변환으로 축소된다.
정리 7.3: 유한한 그래피컬 제시로부터 가시적 프로베니우스/접 데이터로의 할당은 보존적이지 않다. 즉, 비동형의 제시들이 동일한 가시적 대수 구조를 유도할 수 있다.

의의 및 주장
본 논문은 접 범주 설정에서의 do-calculus에 대한 첫 번째 처리를 제공하며, 초점을 그래피컬 수술에서 통계적 매니폴드의 미분 기하학으로 전환한다고 주장한다. 주요 의의는 다음과 같다:

기하학적 불변량: 잠재적 교란의 고유한 기하학적 징후로서 "프로베니우스-미분 결함"과 0이 아닌 Lie bracket을 식별하며, 이는 그래프 선택과 독립적이다.
특이점 처리: 개입을 외생 접번들(Stat $^\infty_{SCM}$ ) 상에서 정식화함으로써, 관측 변수에 대한 전역적 밀도 비율을 통해 엄격한 개입을 정의할 때 발생하는 지지 집합(support) 문제와 특이점 문제를 회피한다.
기초적 전환: 인과 추론은 관측된 통계적 대상의 프로베니우스 호환적 무한소 불변량으로부터 시작되어야 하며, 임의의 유한한 그래피컬 또는 대수적 구문(그래프나 imset 등)을 이러한 불변량의 이차적인 제시로 취급해야 한다고 제안한다.

본 논문은 기질의 정식화, Kan 수송과의 연결, 그리고 세 가지 규칙의 진술로 범위를 명시적으로 제한한다. 완전한 인과 충족성 이론, 프로베니우스-마르코프 코호몰로지 이론의 구축, 그리고 접 데이터로부터 그래피컬 제시를 범주적으로 추출하는 작업은 향후 과제로 남겨두었다.