기술 요약: 이상치 이벤트를 이용한 인과 그래프의 허위 판정 (Falsifying Causal Graphs With Outlier Events)

문제 정의

진정한 인과 관계는 사전에 알려져 있는 경우가 드물며, 데이터로부터 인과 그래프를 추론하는 것은 여전히 어려운 과제이다. 근본적인 어려움은 정답(ground truth)이 없는 상태에서 주어진 후보 인과 그래프의 유효성을 평가하는 데 있다. 기존의 방법들은 중재(interventional) 데이터나 변수 부분 집합 간의 일관성 검사를 활용해 왔으나, 이는 종종 여러 개의 샘플을 요구하거나, 조건부 독립 오라클(conditional independence oracles)에 접근해야 하거나, 특정 파라미터 형태를 가정해야 한다. 클라우드 모니터링이나 제조와 같은 실무 환경에서는 희귀한 이상 현상에 대해 여러 개의 샘플을 수집하는 것이 매우 비용이 많이 들거나 불가능할 수 있다. 또한, 관측 데이터(observational data)를 사용하여 인과 모델을 허위 판정하는 기존 방식들은 통제된 허위 양성률(false positive rate)을 가진 유효한 통계적 검정을 결여하고 있는 경우가 많다.

본 연구는 **단 하나의 이상치 샘플(single outlier sample)**을 사용하여 **후보 인과 그래프를 허위 판정(falsifying)**하는 문제를 다룬다. 목표는 이상치 전파 특성을 활용하여, 추정된 인과 그래프 $\hat{G}$와 실제 인과 그래프 $G$가 같다는 귀무가설 $H_0: \hat{G} = G$를 검정하는 것이다.

방법론

제안된 접근 방식은 **"약한 이상치는 강한 이상치를 거의 일으키지 않는다(weak outliers rarely cause strong outliers)"**는 원리에 기초한다. 이 원리는 이전에 사전 지식 없이 원인을 식별하기 위한 근본 원인 분석(root cause analysis)에 활용되었으나, 여기서는 그래프를 허위 판정하기 위해 역으로 활용된다. 즉, 후보 그래프가 이 원리에 어긋나는 이상치 전파 패턴을 암시한다면, 해당 그래프는 기각된다.

핵심 개념

1. 이상치 모델링 (Outlier Modeling): 이상치는 근본 원인 변수(root cause variables) $R$의 부분 집합에 대한 "연성 중재(soft-intervention)"의 결과로 모델링된다. 이상치 샘플의 분포는 변수 $R$의 메커니즘이 변경된, 즉 실제 분포의 "오염된" 버전이다.
2. 정보 이론적 (IT) 이상치 점수: 이 방법은 $S(x) = -\log P(\text{event})$로 정의되는 IT 이상치 점수를 사용한다.
   • 주변 점수 (Marginal Scores): $S(x_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i))$.
   • 조건부 점수 (Conditional Scores): $S(x_i | pa_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i) | PA_i = pa_i)$.
     올바른 그래프와 샘플이 일반적인 메커니즘(근본 원인 제외)에서 추출되었다는 귀무가설 하에서, 이 점수들은 독립적인 표준 지수 분포 $\text{Exp}(1)$를 따른다.

통계적 검정

저자들은 $H_0$를 기각하기 위한 네 가지 통계적 검정을 제안한다. 이 검정들은 허위 양성 제어(유효한 p-값)와 특정 클래스의 잘못된 그래프에 대한 **검정력 보장(power guarantees)**을 갖도록 설계되었다.

1. 조건부 점수 검정 (근본 원인을 알고 있는 경우)

근본 원인 $R$을 알고 있고 그래프가 유향 비순환 그래프(DAG)인 경우, 비근본 변수의 조건부 점수는 $H_0$ 하에서 독립적인 $\text{Exp}(1)$ 변수이다. 논문은 다음을 제안한다:

• Fisher 기반 검정: 조건부 점수의 합($S_{sum}$)을 사용한다. p-값은 에를랑 분포(Erlang distribution, 지수 분포의 합)로부터 도출된다.
• Tippett 기반 검정: 최대 조건부 점수($S_{max}$)를 사용한다. p-값은 지수 분포의 최댓값 분포로부터 도출된다.
• 이항 검정 (Binomial Test): 임계값 $t$를 초과하는 점수의 개수($N_t$)를 센다. p-값은 이항 분포를 따른다.
• Kolmogorov-Smirnov (KS) 검정: 점수의 경험적 누적 분포 함수(empirical CDF)를 이론적 $\text{Exp}(1)$ CDF($D_L$)와 비교한다.

2. 주변 점수 검정 (Polytree 가정)

제한된 데이터로는 조건부 분포를 추론하는 것이 통계적으로 부적절할 수 있다(ill-posed). 저자들은 실제 그래프가 폴리트리(polytree)(무방향 사이클이 없는 DAG)라는 조건 하에, 주변 점수만을 사용하도록 첫 세 가지 검정을 변형하였다.

• 점수 전형성 (Score Typicality): 이 방법은 $S(y|x) \geq |S(y) - S(x)|_+$라는 조건을 활용한다. 이 조건이 충족되면, 약한 이상치가 강한 이상치를 일으키는 일이 드물다는 것을 의미한다.
• 검정 통계량: 주변 검정은 점수의 "도약(jump)"인 $|S(x_i) - S(PA_i)|_+$를 사용한다.
• 유효성: 폴리트리 가정과 점수 전형성 하에서, 이러한 주변 통계량은 조건부 통계량에 의해 확률적으로 지배(stochastically dominated)되므로 유효한 p-값을 보장한다.

3. 근본 원인을 모르는 경우

근본 원인은 알 수 없지만 그 개수의 상한 $k$를 알고 있는 경우, 저자들은 최대 leave-$k$-out 절차를 제안한다. 검정 통계량은 잠재적 근본 원인으로 취급되는 모든 $k$개 변수의 부분 집합에 대해 계산되며, 가장 큰 p-값을 취한다. 이는 선택 편향을 도입하지 않고 허위 양성율을 제어한다.

이론적 보장

• 허위 양성 제어: 검정은 엄격한 p-값을 제공하여 $P(\text{reject } H_0 | H_0 \text{ is true}) \leq \alpha$를 보장한다.
• 검정력 보장: 논문은 **강한 데이터 처리 부등식(Strong Data Processing Inequality, SDPI)**을 사용하여 이상치 점수가 인과 경로를 따라 감소하는 비율의 하한을 도출한다.
  • 만약 근본 원인의 진정한 자손(descendant)에게 잘못된 부모(예: 비자손 또는 근본 원인으로부터 더 먼 부모)가 할당되면, 발생하는 "점수 도약"은 하한을 갖는다.
  • 검정의 검정력은 주입된 이상치의 강도($\lambda$)와 잘못된 엣지의 비율($\pi$)에 따라 증가한다.
  • 비율 파라미터의 전역적 변화에 대한 합 검정(Fisher)과 단일 지배적 이상치에 대한 최댓값 검정(Tippett)에 대해 각각의 최적성 결과(Uniformly Most Powerful)를 보여준다.

실험 결과

저자들은 합성 데이터와 실제 데이터 모두에서 제안된 방법을 Eulig 등(2025)의 순열 기반 검정 및 GRaSP 인과 발견 알고리즘을 포함한 베이스라인들과 비교하여 평가하였다.

합성 데이터

• 설정: 20개 노드를 가진 무작위 DAG. 이상치는 무작위 근본 원인에 주입되어 전파되었다. "정답" 그래프는 다양한 올바른 엣지의 비율($|K|/|N|$)을 가진 테스트 그래프를 만들기 위해 부분적으로 오염되었다.
• 결과:
  • 제안된 검정들은 잘못된 엣지의 비율이 증가함에 따라 기각률이 증가하는 모습을 보였다.
  • 예상대로 조건부 점수 검정이 주변 점수 검정보다 일반적으로 우수한 성능을 보였다.
  • GRaSP 베이스라인은 지나치게 민감하여, 유한 샘플 불일치로 인해 정답 그래프를 포함한 거의 모든 그래프를 기각했다.
  • 순열 베ース라인은 예상대로 동작하여, 그래프가 무작위보다 나쁠 때만 기각하였다.
  • 주입된 이상치가 강할수록, 그리고 여러 개의 이상치 샘플을 사용할 수 있을 때 검정력이 증가했다.

실제 데이터

1. PetShop 데이터셋 (클라우드 컴퓨팅): 인과 그래프의 대리물로서 (엣지가 역전된) "서비스 의존성 맵"을 테스트하였다.
   • 결과: 제안된 검정은 특히 트래픽이 높은 시나리오에서 유의 수준보다 훨씬 높은 비율로 이 그래프를 기각하였다. 이는 서비스 맵이 무작위보다는 낫지만, 진정한 인과 그래프는 아님을 시사한다.
2. Causal Chambers 데이터셋: 정확한 인과 구조가 알려진 물리적 테스트베드이다.
   • 결과: 검정들이 유의 수준에 부합하는 비율로 그래프를 기각하였다(즉, 정답 그래프를 허위로 기각하지 않았다). 이는 허위 양성 제어가 유효함을 입증한다.

의의 및 주장

본 논문은 다음 세 가지 특정 기준을 만족하면서, 주어진 인과 그래프가 진정한 인과 그래프라는 귀무가설에 대해 최초의 통계적 검정을 제시한다고 주장한다:

1. 허위 양성 제어: 유효한 p-값을 제공하여 허위 기각률이 제한됨을 보장한다.
2. 검정력 보장: "약한-to-강한" 원리를 위반하는 광범위한 클래스의 잘못된 인과 그래프에 대해 증명된 검정력을 가진다.
3. 단일 샘플 작동: 단 하나의 이상치 샘플만으로도 효과적으로 작동할 수 있으며, 이는 이상 현상이 희귀하고 관찰 비용이 많이 드는 도메인에서 매우 중요한 특징이다.

저자들은 본 연구가 근본 원인 분석 문헌과 인과 그래프 평가 사이의 간극을 메우며, 이상치 전파 원리를 엄격한 허위 판정 도구로 전환시킨다는 점을 강조한다. 이 방법은 중재 데이터나 이상 영역에서의 다중 샘플을 요구하지 않으므로, 전통적인 인과 발견이나 허위 판정 방법이 실패하는 시나리오에 적용 가능하다.