Additive Causal Construction for Transferable and Reconfigurable Cross-System Learning in Multi-Source Image Fusion

기술 요약: 다중 소스 이미지 융합을 위한 전이 가능하고 재구성 가능한 교차 시스템 학습을 위한 가산적 인과 구조 구축 (Additive Causal Construction)

1. 문제 정의

본 논문은 특히 의료 영상 분야에서 분포 외(Out-of-Distribution, OOD) 시나리오 하의 다중 소스 이미지 융합 문제를 다룹니다. 핵심 문제는 이질적인 입력값(예: 서로 다른 센터, 장치 또는 해부학적 영역에서 온 이미지)이 서로 다른 생성 메커니즘에 의해 구동될 때 발생합니다. 저자들은 기존 융합 방식에서 나타나는 두 가지 주요 실패 모드를 식별했습니다:

• 교차 시스템 불일치 (Cross-System Discrepancy, CSD): 시스템 간의 통일된 인과적 참조(Causal Reference)가 부재하여 의미론적 정렬이 어려워지며, 이는 표현(Representation)의 불일치를 초래합니다.
• 교차 시스템 얽힘 (Cross-System Entanglement, CSE): 융합 과정에서 교차 시스템 간의 간섭으로 인해 불안정한 의존성과 가짜 인과 경로(Spurious Causal Pathways)가 도입되는 경우가 많습니다. 이러한 경로는 분포 변화(Distribution Shifts)에 견고하지 못하며, 모델이 다른 도메인(예: 다른 병원 또는 스캐너)의 데이터를 마주할 때 심각한 성능 저하를 일으킵니다.

기존 방법들은 대개 정적인 제약을 가진 관측 수준의 결합 모델링에 의존하며, 인과 구조를 사전에 정의된 고정된 것으로 취급합니다. 이들은 인과 구조의 진화나 생성 메커로즘의 차이를 명시적으로 모델링하지 못하므로, CSD와 CSE의 동적인 특성을 처리하기에는 부적절합니다.

2. 방법론: ACC 프레임워크 및 ACC-CRL

저자들은 가산적 인과 구조 구축 (Additive Causal Construction, ACC) 프레임워크를 제안합니다. 이는 다중 소스 융합을 단순한 특징 집계가 아니라, 이질적인 시스템으로부터 통일된 인과 구조를 구축해 나가는 동적인 과정으로 재정의합니다. 이 프레임워크는 ACC-CRL (Additive Causal Construction - Causal Representation Learning)이라는 학습 가능한 모델로 구현됩니다.

A. ACC 프레임워크 원칙

프레임워크는 두 가지 핵심 기둥을 기반으로 작동합니다:

1. 인과 그래프 전이 가능성 (Causal Graph Transferability, CGT):

   • 목표: 공유된 인과적 "앵커(Anchor)"를 설정함으로써 CSD를 완화합니다.
   • 메커니즘: 앵커 동등 쌍(Anchor-equivalent pair)을 서로 다른 시스템의 노드 중 공유된 추상적 인과 콘텐츠 참조($X$)로 매핑되고 일관된 개입 반응(Interventional Response)을 유도하는 노드로 정의합니다.
   • 요건: 이를 위해서는 의미론적 비교 가능성(공통 콘텐츠 공간으로의 매핑)과 개입 반응 일관성(공유 앵커에 대한 개입이 시스템 전반에 걸쳐 일관된 다운스트림 반응을 생성하도록 보장함)이 필요합니다.

2. 인과 그래프 재구성 가능성 (Causal Graph Reconfigurability, CGR):

   • 목표: 융합을 정적인 병합이 아닌 위상적 재구성(Topological Reorganization)으로 취급하여 CSE를 억제합니다.
   • 메커니즘: 후보 교차 시스템 엣지(Edge)의 신뢰도를 평가하기 위해 **구조적 불확실성(Structural Uncertainty)**을 도입합니다.
   • 과정: 메커니즘 호환성과 반응 일별성을 바탕으로 후보 엣지를 선택, 약화 또는 억제합니다. 이를 통해 시스템은 안정적인 인과 관계는 보존하면서 불안정한 지름길(Shortcut)은 버리며 융합 과정을 적응적으로 조절할 수 있습니다.

B. ACC-CRL 구현

ACC-CRL은 세 가지 핵심 구성 요소를 통해 표현 공간에서 ACC 프레임워크를 실현합니다:

1. 학습 가능한 CGT (콘텐츠-메커니즘 분리):

   • 관측값은 공유된 인과 콘텐츠($X$)와 시스템 특정 메커니즘($U$)으로 분해됩니다.
   • 대조 학습 (Contrastive Learning): 대조 손실($L_{con}$)을 사용하여 서로 다른 시스템에서 온 의미론적으로 대응하는 샘플들을 공유 콘텐츠 공간 내에서 정렬합니다.
   • 분리 (Disentanglement): 분리 제약($L_{dis}$, HSIC 사용)을 통해 메커니즘 정보가 공유 콘텐츠로 누출되는 것을 방지하여, $X$가 안정적인 인과 의미론을 포착하고 $U$가 이질성을 보존하도록 합니다.
   • 반응 정렬 (Response Alignment): 한 시스템의 콘텐츠와 메커니즘을 사용하여 다른 시스템의 출력을 재구성하는 양방향 반응 매핑($\Psi$)을 학습합니다. 잔차 오차($e_{str}$)는 구조적 불일치의 신호 역할을 합니다.

2. 학습 가능한 CGR (불확실성 인식 융합):

   • 불확실성 추정: 모델은 반응 정렬 잔차를 기반으로 한 구조적 불확실성($u_{str}$)과 메커니즘 표현 및 콘텐츠 불일치를 기반으로 한 예측 불확실성($u_{unc}$)을 계산합니다.
   • 적응형 게이팅 (Adaptive Gating): 총 불확실성으로부터 융합 신뢰도 가중치($\gamma$)를 도출합니다.
     • 높은 $\gamma$ (낮은 불확실성): 모델이 두 시스템의 표현을 융합합니다.
     • 낮은 $\gamma$ (높아진 불확실성): 모델이 교차 시스템 정보를 억제하고, 불안정한 의존성을 피하기 위해 보수적인 단일 시스템 표현으로 회귀합니다.
   • 관측 인식 재구성 (Observation-Aware Reconfiguration): 잠재적 추상화 과정에서 미세한 시각적 단서(예: 질감, 경계)가 손실되는 것을 방지하기 위해 관측 보충 브랜치를 추가합니다. 최종 표현은 신뢰도 가중치 $\gamma$에 따라 잠재적 인과 융합과 원시 관측 특징 사이의 균형을 동적으로 조절합니다.

3. 결합 최적화:
   모델은 지도 학습 손실, 대조 손실, 분리 손실, 반응 정렬 손실, 그리고 구조적 불일치가 심각할 때 높은 융합 가중치에 페널티를 주는 정규화 항($L_{uaf}$)을 포함한 결합된 목적 함수로 학습됩니다.

3. 주요 기여

• 이론적 정식화: 본 논문은 다중 소스 융합을 CGT와 CGR를 통해 CSD 및 CSE를 명시적으로 해결하는 동적인 인과 구축 과정으로 개념화하는 ACC 프레임워크를 도입했습니다.
• 학습 가능한 실체화: 메커니즘 분리, 개입 일관성 정렬, 불확실성 인식 구조 조절을 구현하는 실용적이고 엔드 투 엔드(End-to-end) 학습이 가능한 아키텍처인 ACC-CRL을 제안했습니다.
• 새로운 메커니즘: 정적인 관측 제약을 넘어, 개입 반응 일관성(공유 앵커 정의를 위해)과 구조적 불확실성 모델링(융합 신뢰도 조절을 위해)을 결-합한 독창적인 방법을 제시했습니다.
• 관측 보충 (Observation Supplementation): 잠재적 인과 추상화와 원시 시각적 특징 사이의 균균형을 동적으로 맞추는 메커니즘을 도입하여, 미세한 디테일이 중요한 작업에서의 강건성을 확보했습니다.

4. 실험 결과

저자들은 두 가지 데이터셋을 통해 방법을 검증했습니다:

• 합성 데이터 (ColorMNIST):

  • 설정: 거짓 상관관계(CSE)를 시뮬레이션하기 위해 모달리티 편향(색상 vs. 그레이스케일)이 있는 통제된 환경.
  • 결과: ACC-CRL은 베이스라인(Concatenation, Intervention 등)에 비해 방향성 편향을 크게 줄이고 OOD 일반화 성능을 향상시켰습니다. 이는 숏컷 경로를 억제하고 표현 공간에서 분리 가능하고 안정적인 클러스터를 학습하는 능력을 입증했습니다.

• 실제 의료 영상 (미세혈관 침윤 - MVI 예측):

  • 설정: 두 병원(사천성 인민병원 및 호주 중앙 병원)의 동맥기 MRI를 사용한 교차 센터 예측 작업. 종양 내부 및 주변 영역을 융합하는 작업을 포함합니다.
  • 결과:
    • OOD 일반화: ACC-CRL은 ID(In-Distribution) 성능을 경쟁력 있게 유지하면서도, 외부 OOD 테스트 세트에서 베이스라인(MultiOOD, IRM, VREx 등)보다 월등한 성능을 보였습니다.
    • 강건성: BACC로 측정된 ID와 OOD 성능 간의 더 나은 트레이드오프를 달연했으며, 일반화 격차를 줄였습니다.
    • 어블레이션 연구 (Ablation Studies): 메커니즘 정렬(CGT)이 표현 안정성을 개선하고, 불확실성 인식 융합(CGR)이 분포 변화 하에서 불안정한 교차 시스템 의존성을 억제하는 데 결정적임을 확인했습니다.
    • 분석: 시각화(t-SNE)를 통해 메커니즘 정렬이 더 나은 클래스 분리와 도메인 분리를 이끌어냄을 보여주었습니다. 불확실성 분석은 모델이 OOD 샘플에 높은 불확실성을 올바르게 할당하며, 불확실성이 예측 오차와 상관관계가 있음을 확인했습니다.

5. 의의 및 주장

본 논문은 제안된 ACC-CRL 전략이 분포 변화가 불가피한 개방형 환경에서 다중 소스 융합을 위한 강력한 솔루션을 제공한다고 주장합니다. 정적인 관측 관점에서 동적인 인과 구축 관점으로 전환함으로써, 이 방법은 다음을 달성합니다:

• 공유된 전이 가능한 인과 앵커를 구축하여 교차 시스템 불일치를 효과적으로 완화합니다.
• 구조적 및 예측적 불확실성에 기반하여 융합을 적응적으로 조절함으로써 교차 시스템 얽힘을 억제합니다.
• 고정된 인과 그래프를 가정하는 방법보다 인과 구조의 생성과 진화를 명시적으로 모델링하는 것이 우수한 일반화 성능을 이끌어낸다는 점을 입증합니다.

저자들은 이 접근 방식이 데이터 이질성이 높고 신뢰할 수 있으며 해석 가능한 의사결정이 중요한 의료 응용 분야(MVI 예측 등)에서 특히 가치가 있다고 결론지었습니다. 향-후 연구에서는 임상 적용성을 더욱 높이기 위해 더 복잡한 다중 인과 시스템 모델링과 고급 구조 학습 기법을 탐구할 것을 제안합니다.