📈 economics

Interventional Score Geometry for Causal Inference

이 논문은 주변적 개입 점수장(marginal interventional score fields)의 변화를 통해 인과적 영향력을 정의함으로써 관측 점수 기하학을 개입 상황으로 확장하고, 무작위 배정 시험 및 도구 변수를 위한 기하학적 사전을 구축하며, Pearl의 인과 계층 내 점수 기반 식별의 한계를 명확히 하는 인과 추론을 위한 기하학적 프레임워크를 제안한다.

원저자: Mojtaba Eslami

게시일 2026-07-27

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Mojtaba Eslami

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

지도 대 영화

당신이 붐비는 방 안에서 누가 누구를 밀었는지 알아내려는 탐정이라고 상상해 보십시오. 당신에게는 현장을 찍은 고해상도 사진 한 장이 있습니다. 사진 속에서 인물 A는 인물 B 바로 옆에 서 있으며, 두 사람 모두 몸을 앞으로 기울이고 있는 모습입니다. 이 단 한 장의 스냅샷을 바탕으로, 당신은 "A와 B가 가까이 있다"라고 말할 수는 있지만, 누가 누구를 밀었는지는 알 수 없습니다. A가 B를 밀었을 수도 있고, B가 A를 밀었을 수도 있으며, 혹은 제3자가 두 사람을 동시에 밀었을 수도 있습니다. 데이터 과학의 세계에서 이 스냅샷을 **관측 분포(observational distribution)**라고 부릅니다. 이는 단지 어떤 일들이 함께 일어나는 경향이 있는지를 보여주는 사진일 뿐입니다.

수십 년 동안 과학자들은 그 정적인 사진을 영화로 바꾸기 위해 화려한 수학적 기법을 사용해 왔습니다. 이를 통해 동작이 펼쳐지는 과정을 보고 인과관계를 밝혀내고자 했습니다. 그들은 데이터를 언덕과 골짜기가 있는 지형처럼 다루는 **정보 기하학(information geometry)**이라는 아름다운 수학적 지도들을 구축했습니다. 아이디어는 지형의 모양을 충분히 세밀하게 연구한다면, 그 "밀기"(원인)가 스스로를 드러낼 것이라는 것이었습니다. 하지만 여기에는 함정이 있습니다. 강의 사진은 물이 어느 방향으로 흐르는지 알려주지 않습니다. 그저 물이 어디에 있는지만 보여줄 뿐입니다. 방향을 알기 위해서는 돌을 던졌을 때 어떤 일이 일으로 벌어지는지를 봐야 합니다. 이 논문은 단순히 물을 뚫어지게 쳐다보는 것만으로는 흐름을 파악할 수 없으며, 실제로 돌을 던져야 한다는 사실을 깨닫는 것에 관한 것입니다.

논문의 핵심 아이디어: 왜 사진만으로는 부족한가

Interventional Score Geometry for Causal Inference라는 제목의 이 논문은, 데이터만을 들여다보는 것은 아무도 악기를 만지지 않을 때 나는 소리만 듣고 그 악기를 이해하려는 것과 같다고 주장합니다. 저자인 모즈타바 에슬라미(Mojtaba Eslami)와 동료들은 데이터의 "모양"(관측 기하학)이 바이올린에 의해 만들어졌든 첼로에 의해 만들어졌든 정확히 동일하다는 것을 보여줍니다. 만약 두 가지 서로 다른 이야기(인과 모델)가 정확히 같은 패턴의 데이터를 생성한다면, 그 데이터만으로 구축된 어떤 지도에서도 그 둘은 동일하게 보일 것입니다.

논문은 동일한 숫자를 가지고 더 복잡한 수학을 한다고 해서 마법처럼 "원인"을 "결과"로부터 추출해 낼 수 없음을 증명합니다. 이는 마치 강물이 북쪽으로 흐르는지 남쪽으로 흐르는지 알기 위해 정지된 물 사진만을 보고 있는 것과 같습니다. 사진은 어느 방향이든 똑같습니다. 방향을 알기 위해서는 개입(intervention)을 해야 합니다. 직접 손을 넣어 무언가를 변화시켜야 합니다.

"하드" 개입: 줄을 고정하기

저자들은 세상을 변화시키는 새로운 방식인 **하드 개입(hard intervention)**을 소개합니다. 여섯 개의 줄이 있는 기타를 상상해 보십시오. 줄을 튕기면 줄이 진동하며 화음을 만들어냅니다. 그것이 관측 데이터입니다. 이제 클램프(clamp)를 가져와서 "A" 줄을 특정 음에서 완전히 움직이지 않도록 꽉 잡아 고정한다고 상상해 보십시오. 당신은 단순히 그 줄의 볼륨을 바꾼 것이 아니라, 그 줄을 게임에서 완전히 제외시킨 것입니다. 그 줄은 더 이상 진동할 수 없으며, 다른 줄들은 더 이상 상호작용하지 않기 때문에 소리가 변할 수 있습니다.

논문의 수학에서 이 "고정(clamping)"은 **do( $X_k = \xi$ )**라고 불립니다. 이는 변수(예: 약물 투여량이나 온도)가 원래 의도했던 값과 상관없이 특정 숫자 $\xi$ 가 되도록 강제하는 것을 의미합니다. 논문은 이렇게 할 때 수학이 완전히 변한다는 것을 보여줍니다. 기존의 지도를 더 이상 사용할 수 없습니다. 지형이 평평해졌기 때문입니다. "스코어(score)"(데이터가 가장 존재할 법한 곳을 가리키는 수학적 화살표)는 이제 3차원 물체의 2D 그림처럼 더 낮은 차원의 공간에 존재하게 됩니다.

새로운 도구: 변화의 "스코어"

논문은 이러한 변화를 이해하기 위한 새로운 사전(dictionary)을 구축합니다. 정적인 사진을 보는 대신, 그들은 개입 조절기를 돌릴 때 "스코어"(데이터의 방향)가 어떻게 변하는지를 관찰합니다.

그들은 **인과적 영향(causal influence)**을 간단하게 정의합니다: 만약 $X$ 의 설정을 바꿨을 때 $Y$ 의 행동이 변한다면, $X$ 는 $Y$ 의 원인입니다. 하지만 그들은 더 깊이 들어갑니다. 그들은 새로운, 고정된 데이터의 특정 미분값(변화율)을 살펴봄으로써 이 원인을 감지할 수 있음을 보여줍니다. 만약 이 "개입 스코어(interventional score)"가 0이라면, 인과적 연결은 없는 것입니다. 0이 아니라면, 연결이 있는 것입니다.

이것이 작동함을 증명하기 위해, 그들은 두 변수 $X$ 와 $Y$ 가 표준 정규 분포(Gaussian distribution) 형태를 띠는 간단한 예시를 사용합니다. 그들은 두 가지 서로 다른 이야기를 만듭니다:

이야기 A: $X$ 가 $Y$ 의 원인이다.
이야기 B: $Y$ 가 $X$ 의 원인이다.

두 이야기는 정확히 같은 사진(동일한 데이터 분포)을 만들어냅니다. 사진만 본다면 두 이야기를 구분할 수 없습니다. 하지만 저자들이 새로운 "고정" 수학을 적용하면 결과는 완전히 달라집니다. 이야기 A에서는 $X$ 를 고정하는 것이 $Y$ 의 스코어를 변화시킵니다. 이야기 B에서는 $X$ 를 고정하는 것이 $Y$ 의 스코어에 아무런 영향을 주지 않습니다. 수학은 두 이야기를 성공적으로 분리해 냈는데, 이는 오직 그들이 변화를 강제했기 때문입니다. 사진 자체는 결코 그들을 구분해 낼 수 없었습니다.

이 논문이 배제하는 것

이 논문은 자신이 무엇을 하지 않는지에 대해서도 매우 명확히 밝히고 있습니다. 저자들은 단순히 "허용된" 변화의 목록(예: "우리는 제품 가격을 바꿀 수 있다")을 가지고 기존 데이터를 그 목록에 투영하여 답을 찾을 수 있다는 생각을 명시적으로 부정합니다. 그들은 설령 당신이 당길 수 있는 레버가 무엇인지 정확히 알고 있더라도, 기존 데이터에는 그 레버를 당겼을 때 어떤 일이 일어날지에 대한 답이 들어있지 않다는 것을 증명했습니다. 그 간극을 메우기 위해서는 추가적인 정보, 즉 구조적 지식이나 실험적 데이터가 필요합니다.

또한 그들은 머신러닝 분야의 흔한 혼동에 대해 경고합니다. 가짜 이미지를 생성하는 데 사용되는 "스코어 기반(score-based)" 모델(생성 모델)과 같은 다른 방법들이 데이터의 모양을 학습하려고 시도합니다. 논문은 이러한 모델들이 사진을 배우는 데는 뛰어나지만, 사진을 더 잘 만든다고 해서 영화(인과 구조)를 배울 수는 없다고 말합니다. 이미지 생성기가 아무리 완벽해지더라도, 버튼을 눌렀을 때 어떤 일이 일어나는지 알려주기 위해서는 실제로 버튼이 눌렸을 때의 데이터를 제공받지 않는 한 알 수 없습니다.

"인과적 메트릭": 밀기의 측정

마지막으로, 저자들은 시스템이 밀기에 얼마나 민감한지를 측정하는 새로운 방법을 만듭니다. 그들은 이를 **인과적 메트릭(causal metric)**이라고 부릅니다. 이것은 마치 스프링을 잡아당길 때 얼마나 많이 늘어나는지를 측정하는 것과 같습니다. 아주 조금만 당겼는데 많이 늘어난다면 그 스프링은 매우 민감한 것입니다. 거의 움직이지 않는다면 뻣뻣한 것입니다.

논문은 **피셔 정보(Fisher information)**라는 표준 통계 도구를 사용하여 이 민감도를 측정할 수 있음을 보여주지만, 반드시 올바른 "슬라이스"(고정되지 않은 부분)의 데이터에서 측정해야 한다고 강조합니다. 그들은 분포를 선을 따라 이동시키는 것과 같은 단순한 경우, 이 메트릭이 데이터가 얼마나 "날카로운지"를 알려주는 상수 값임을 보여줍니다. 이는 연구자들이 실제 효과를 보기 위해 얼마나 많은 데이터가 필요한지 알 수 있게 해줍니다. 메트릭이 작으면 변화를 관찰하기 위해 엄청난 양의 데이터가 필요합니다. 메트릭이 크면 작은 실험만으로도 결과를 명확히 볼 수 있습니다.

결론

이 논문은 어떤 데이터셋에서도 원인을 찾아내는 마법 지팡이를 제공하는 것이 아닙니다. 대신, 우리가 무엇을 알 수 있고 무엇을 알 수 없는지에 대한 정밀한 어휘와 규칙을 제공합니다. 인과관계는 "무엇인가"(관측)의 시나리오가 아니라 "만약 ~한다면 어떻게 될 것인가"(개입)의 시나리오에 존재함을 확인시켜 줍니다.

저자들은 자신들이 모든 것을 해결한 것이 아니라고 신중하게 말합니다. 그들은 특정 사람이 다른 길을 갔더라면 어떤 일이 일어났을지(인과 계단의 "반사실적(counterfactual)" 단계)를 예측하는 법을 찾아낸 것이 아닙니다. 그들은 단지 "무엇인가"와 "우리가 그것을 바꿀 때 어떻게 되는가" 사이의 견고한 다리를 놓았을 뿐입니다. 그들은 강의 흐름을 이해하려면 물을 빤히 쳐다보는 것을 멈추고 돌을 던지기 시작해야 한다는 것을 보여주었습니다.

기술 요약: 인과 추론을 위한 개입 스코어 기하학 (Interventional Score Geometry)

문제 정의
본 논문은 인과 추론의 근본적인 한계, 즉 관측된 변수 $X$ 의 결합 밀도 $p(x)$ 만으로는 인과 방향이나 인과 효과를 식별할 수 없다는 점을 다룬다. 저자는 지지 집합(support) $M$ , 배경 메트릭(background metric) $g$ , 그리고 스코어 필드 $\psi(x) = \nabla_x \log p(x)$ 로 구성된 "관측 기하학(observational geometry)"이 전적으로 $p(x)$ 에 의해 결정된다고 주장한다. 결과적으로, 동일한 축약형 분포(reduced-form distribution) $p(x)$ 를 생성하는 서로 다른 두 구조적 인과 모델(SCM)은 동일한 관측 기하학을 유도한다. 이는 서로 다른 인과 구조(예: $X \to Y$ 와 $Y \to X$ )가 관측상으로 동등할 수 있다는 고전적인 식별 불가능성(non-identification) 문제를 반영한다. 본 논문은 인과적 비대칭성이 $p(x)$ 만으로부터 도출될 수 없으며, 명시적인 개입(intervention)을 통해 반드시 공급되어야 한다고 상정한다.

방법론 및 프레임워크
본 논문은 관측 상태와 개입 상태를 구분하는 기하학적 프레임워크를 개발하며, 이는 Pearl의 "인과 사다리(Ladder of Causation)"와 궤를 같이한다.

개입 스코어(Interventional Score) 정의:
핵심적인 기술적 혁신은 개입 스코어의 정의이다. 하드 개입(hard intervention) $do(X_k = \xi)$ 는 좌표 $X_k$ 를 특정 값 $\xi$ 로 고정하여, 결합 밀도를 $(d-1)$ 차원의 부분 다양체(submanifold) $\{x_k = \xi\}$ 로 붕괴시킨다. 이로 인해 결과적인 분포는 원래의 $d$ 차원 볼륨에 대한 밀도를 갖지 않으므로, 단순한 그래디언트는 정의될 수 없다.
- 정의 1: 개입 스코어 $\psi^{(k, \xi)}_{-k}$ 는 개입되지 않은 나머지 좌표 $X_{-k}$ 상에서 엄격하게 정의된다. 이는 주변 개입 분포 $p^{(k, \xi)}_{-k}(x_{-k})$ 의 로그 밀도의 그래디언트이다.
인과적 영향 및 진단:
- 정의 2 (분포적): 인과적 영향 $X_k \leadsto X_j$ 는 $do(X_k = \xi)$ 하에서 $X_j$ 의 주변 법칙(marginal law)이 $\xi$ 의 변화에 따라 어떻게 변하는지로 정의된다.
- 정의 3 (스코어 탐지 가능 영향): 인과적 영향의 충분 조건은 로그-주변 밀도의 혼합 편도함수가 0이 아닌 것이다: $S_{k \to j}(\xi, x_j) = \frac{\partial}{\partial \xi} \frac{\partial}{\partial x_j} \log p^{(k, \xi)}_j(x_j) \neq 0$ .
- 명제 2: 고정되고 연결된 엄격한 양의 지지 집합 위에서, 이 스코어 진단은 또한 필요조건이다. 만약 스코어 미분값이 모든 곳에서 0이라면, 개입에 따라 주변 분포는 변하지 않는다.
허용 집합(Admissible Set)과 반응 필드(Response Field):
본 논문은 조작 가능한 좌표의 집합인 "허용 집합" $A(x)$ 가 관측 데이터로부터 인과 효과를 회복하기에 충분하다는 관념을 거부한다.
- 명제 3: 두 모델은 동일한 관측 스코어 $\psi$ 와 동일한 허용 집합 $A(x)$ 를 공유하면서도 서로 다른 인과적 반응을 가질 수 있다. 따라서 $\psi$ 를 $A(x)$ 로 투영하는 것은 인과적 필드를 산출할 수 없다.
- 정의 4 (개입 반응 필드): 인과적 내용은 특정 구조적 개입 가족(family)에 대한 민감도를 기술하는 반응 필드 $S(v)$ 에 위치한다. 이 필드는 외부의 구조적 지식이나 실험 설계에 의해 공급되어야 하며, $p(x)$ 와 $A(x)$ 만으로는 추론될 수 없다.
인과적 메트릭(Causal Metric):
개입의 "거리" 또는 정보량을 측정하기 위해, 본 논문은 인과적 메트릭(정의 5)을 정의한다. 서로 다른 타겟(서로 다른 좌표 공간에 존재) 간의 민감도를 비교하려는 나이브한 구성 방식과 달리, 이 메트릭은 공통의 타겟 $k$ 를 공유하는 개입들의 피셔 정보 메트릭(Fisher information metric)으로 구축된다. 이는 밀도들이 공통의 공간 $X_{-k}$ 위에 존재하도록 보장한다.

주요 결과 및 예시

이변량 가우시안 예시: 본 논문은 관측적으로 동등한(동일한 결합 가우시안 밀도와 스코어 필드를 가진) 두 모델(A와 B)을 포함한 완전하게 계산된 예시를 제공한다.
- 모델 A: $Y = \beta X + \epsilon_Y$ . $X$ 에 대한 개입은 $Y$ 의 평균을 이동시킨다. 개입 스코어 민감도는 $S_{X \to Y} = \beta/\sigma^2 \neq 0$ 이다.
- 모델 B: $X = \gamma Y + \epsilon_X$ . $X$ 에 대한 개입은 $Y$ 에 영향을 주지 않는다. 개입 스코어 민감도는 $S_{X \to Y} = 0$ 이다.
- 이는 정적인 관측 기하학은 동일하지만, 구조적 가정이 공급될 때 개입 스코어 미분값이 갈라짐으로써 인과 방향을 정확히 식별해 낸다는 것을 보여준다.
고전적 설계의 재해석:
- 무작위 대조 시험 (RCT): 무작위 배정은 처치 $T$ 가 공변량 $Z$ 와 독립임을 보장한다. 기하학적으로 이는 결합 스코어 필드 $\psi_{T,Z}$ 에서의 블록 분리(block-separation)로 나타나며, 공변량 성분은 $T$ 의 변화에 대해 불변이다. 본 논문은 무작위 배정이 "공정한 출발선"(배정의 독립성)을 보장하지만, 처치-결과 관계를 기하학적으로 평탄하게 만들지는 않는다는 점을 명확히 한다.
- 도구 변수 (IV): IV 추정량은 원시 변수의 비율이 아니라, 조건부 평균 함수의 방향 미분비( $D_{v_Z} m_Y / D_{v_Z} m_T$ )로 재정의된다.
- 스코어 기반 생성 모델: 본 논문은 관측 스코어 $\nabla \log p(x)$ 를 추정하도록 훈련된 생성 모델이 인과 구조를 산출하지 못한다고 명시적으로 경고한다. 반응 필드를 추정하기 위한 개입 데이터 없이는, 해당 모델은 인과 사다리의 "연관(association) 단계"에 머물러 있게 된다.

의의 및 주장
본 논문은 무엇이 관측 데이터로부터 학습 가능한지, 그리고 무엇이 구조적 또는 실험적 입력을 필요로 하는지를 엄격히 구분하는 "교정된 기하학적 사전(corrected geometric dictionary)"을 제공한다고 주장한다.

주장의 겸손함: 저자는 본 프레임워크가 기존의 가정을 넘어서는 식별 능력을 만들어내려 하지 않는다고 명시한다. 본 논문은 메타 러너(meta-learners)나 이중 머신러닝(double machine learning)을 위한 새로운 점근적 결과를 제시하거나, 구조적 가정이 부재한 상황에서의 식별 문제를 해결하려는 것이 아니다.
범위: 본 프레임워크는 의도적으로 좁게 설정되었으며, Pearl의 인과 사다리 중 "개입(interventional) 단계"에 집중한다. 단위 수준의 교차 세계 구조(unit-level cross-world structure)를 다루는 "반사실(counterfactual) 단계"는 향후 과제로 남겨둔다.
용어의 명확성: 본 논문은 사용된 "스코어"(로그 밀도의 그래디언트)와 세미파라메트릭 효율성 및 이중 머신러닝에서 사용되는 "스코어"(추정 방정식)를 구분함으로써, 서로 다른 수학적 대상 간의 혼동을 방외한다.

요약하자면, 본 논문은 인과 추론이 $p(x)$ 의 정적인 기하학에서 벗어나, 명시적이고 구조적으로 정의된 개입의 동적인 기하학으로 이동해야 한다고 주장한다. "인과적" 정보는 관측 매니폴드의 곡률 속에 숨겨져 있는 것이 아니라, 명시적인 구조적 개입에 따른 스코어 필드의 변형(deformation) 속에 인코딩되어 있다.