기술 요약: 인과적 효과 제약을 통한 해석 가능한 인과 발견

1. 문제 정식화

전통적인 인과 발견(Causal discovery)은 관측 데이터로부터 기저에 있는 인과 그래프 구조를 식별하는 것을 목표로 합니다. 그러나 실무자들은 단순히 가장 확률이 높은 그래프를 찾는 것을 넘어, 변수 간의 이례적으로 큰 인과 효과와 같은 특정 현상을 해석하기를 원합니다. 본 논문은 **조건부 인과 발견(conditional causal discovery)**을 베이지안 추론 문제로 정식화합니다.

관측 데이터 $D$가 주어졌을 때, 사용자는 제약 사건 $E$를 정의합니다. 이는 인과 효과 함수(예: 노드 $i$에서 노드 $j$로의 총 인과 효과가 임계값 $t$를 초과함)에 의해 정의됩니다. 목표는 다음을 계산하는 것입니다:

1. 사건의 사후 확률: $P(E | D)$.
2. 인과 그래프($G$)와 파라미터($\theta$)에 대한 제약된 사후 분포: $p(G, \theta | D, E)$.

계산상의 난제:
많은 현실적인 시나리오에서, 사건 $E$(예: 극단적인 인과 효과)는 무제약 사후 분포 하에서 매우 작은 질량(mass)을 가집니다. 표준 마르코프 연쇄 몬테카를ло(MCMC) 샘플러나 거부 기반 조건화(rejection-based conditioning)는 여기서 실패합니다. 왜냐하면 이들은 제약을 만족하는 샘플을 전혀 생성하지 못하거나, 혼합(mixing) 성능이 저하되어 신뢰할 수 있는 통계적 요약을 제공하지 못하기 때문입니다.

2. 방법론

저자들은 조건부 인과 발견을 희귀 사건 사후 추론(rare-event posterior inference) 문제로 다루는 프레임워크를 제안합니다. 이 솔루션은 그래프-파라미터 결합 공간에서 작동하는 MCMC 커널과 **적응형 다층 분할(Adaptive Multilevel Splitting, AMS)**을 통합합니다.

2.1 점수 수준(Score-Level) 정식화

이 방법은 과학적 질의를 스칼라 점수 함수 $h(Z)$로 추상화하며, 여기서 $Z = (G, B)$는 그래프와 그 에지 가중치를 나타냅니다.

• 단일 효과 제약 $CE_{ij} \geq t$의 경우, 점수는 $h(Z) = CE_{ij}(Z)$입니다.
• 다중 제약의 경우, 점수는 모든 제약의 정규화된 최소 마진(minimum normalized margin)입니다.
  목표 영역은 $A_{\lambda^*} = \{Z : h(Z) \geq \lambda^*\}$입니다.

2.2 적응형 다층 분할 (AMS)

직접 희귀 영역에서 샘플링하는 대신, 알고리즘은 문제를 일련의 더 쉬운 조건부 문제들로 분해합니다:

1. 초기화: 무제약 사후 분포(또는 웜 스타트 근사치)에서 샘플링된 입자(particle) 집단을 시작합니다.
2. 반복적 레벨: 알고리즘은 증가하는 점수 레벨 시퀀스 $\lambda_0 < \lambda_1 < \dots < \lambda_K = \lambda^*$를 정의합니다.
   • 각 레벨 $k$에서, 입자들은 레벨 절단 사후 분포 $\pi(Z | h(Z) \geq \lambda_k)$를 근사하기 위해 MCMC 커널을 통해 변이(mutation)됩니다.
   • 다음 임계값을 충족하지 못하는 입자들은 버려집니다.
   • 생존한 입자들은 복원 추출(resampling with replacement)을 통해 다음 레벨을 위한 집단을 형성합니다.
   • 임계값 $\lambda_{k+1}$은 현재 집단 점수의 경험적 분위수(empirical quantile)로서 적응적으로 선택됩니다.
3. 확률 추정: 전체 사건의 확률은 각 레벨에서의 생존 비율의 곱으로 추정됩니다.
4. 최종 출력: 목표 레벨 $\lambda^*$에 도달한 후, 최종 입자 집단은 제약된 사후 분포 $p(G, B | D, E)$로부터의 샘플을 근사합니다.

2.3 결합 공간에서의 MCMC 커널

샘플러가 구조와 파라미터를 모두 효과적으로 탐색하도록 보장하기 위해, 저자들은 블록형 메트로폴리스-헤이스팅스(Metropolis-Hastings) 커널을 사용합니다.

• 구조 이동(Structure Moves): 구조-MCMC 또는 적응형 PARNI-DAG 커널을 사용하여 DAG의 변화(에지 추가/삭제/역전)를 제안합니다.
• 가중치 이동(Weight Moves): 주어진 그래프에 대해 에지 가중치를 갱신합니다. 선형-가우시안 가정 하에서, 이는 조건부 가중치 사후 분포가 다변량 t-분포를 따르므로 효율적입니다.
• 제약 준수: 현재 점수 레벨 제약을 위반하는 제안은 즉시 거부됩니다.

3. 주요 기여

1. 정식화: 본 논문은 조건부 인과 발견을 극단적 효과 제약 하의 사후 추론으로 정의하며, 꼬리 확률(tail probabilities)과 제약된 샘플을 모두 타겟팅합니다.
2. 알고리즘: 희귀 사건 추론을 위한 실용적인 절차(AMS + MCMC)를 제공하여, 작은 사후 꼬리 확률을 추정하는 동시에 대표적인 그래프-파라미터 샘플을 생성할 수 있습니다.
3. 검증:
   • 합성 벤치마크: 차원 $d \in \{4, 8, 16, 32\}$인 선형-가우시안 그래프에서 검증되었습니다. 이 방법은 작은 그래프($d=4$)에서 전수 조사(exhaustive enumeration) 결과와 일치하며, 무제약 베이스라인이 실패하는 더 큰 규모에서도 안정성과 재현성을 보여줍니다.
   • 사례 연구: Sachs 단백질 신호 전달 데이터셋에 적용하여 극단적 효과 제약 하에서의 경로 수준 요약을 생성했습니다.

4. 실험 결과

• 정확도: $d=4$ 그래프에서, 이 방법의 꼬리 확률 추정치는 전수 조사 결과와 밀접하게 일치하는 반면, 표준 변분법(DiBS와 같은)은 꼬리 확률을 크게 과대평가합니다.
• 조건화 동작: 다중 효과 조건화 실험($d=4, 8$)에서, 제약이 강해질수록(더 많은 정보를 제공할수록) 제약된 사후 분포는 실제 메커니즘 쪽으로 올바르게 집중됩니다. 구조적 해밍 거리(SHD)가 감소하고, 에지 빈도 히트맵이 실제 그래프를 향해 더욱 선명해집니다.
• 확장성: $d \in \{16, 32\}$에 대해, 이 방법은 제약이 엄격해짐에 따라 매끄럽고 단조 감소하는 꼬리 곡선을 생성합니다. 무제약 베이스라인은 이러한 희귀 영역에서 샘플을 생성하는 데 실패합니다. 정보가 풍부한 구조 제안(PARNI-DAG)을 사용하는 것은 표준 구조-MCMC에 비해 더 큰 그래프의 극단적인 꼬리 부분에서 안정성을 개선합니다.
• Sachs 사례 연구:
  • 무조건부: 사후 샘플은 종종 제로(zero) 총 효과를 암시하거나 효과를 상쇄하는 여러 경로에 분산시켜, 해석을 어렵게 만듭니다.
  • 조건부: 큰 효과(예: $PIP3 \to PIP2$)에 대해 조건화하면, 사후 분포는 특정 경로(직접 및 매개 경로)에 집중됩니다.
  • 결합 조건화: 여러 극단적 효과를 동시에 조건화했을 때, 단일 효과 분석에서는 나타나지 않았던 공유 매개체(예: $Erk \to Akt$ 및 $PIP3 \to PIP2$ 상호작용에서의 $Plcg$)를 밝혀냈습니다.

5. 의의 및 주장

본 논문은 조건부 인과 발견이 연구자로 하여금 "만약 ~라면 어떻게 될까(what-if)"라는 질문을 던지게 함으로써 해석 가능한 과학적 탐사를 가능하게 한다고 주장합니다.

• 해석 가능성: 단일 그래프를 반환하는 방법과 달리, 이 접근 방식은 특정 도메인 관련 제약(예: "이 이례적으로 큰 효과를 설명하는 경로는 무엇인가?")을 만족하는 가능한 메커니즘의 분포를 제공합니다.
• 희귀성 처리: 이 방법은 베이지안 인과 발견에서 발생하는 희귀 사건의 계산적 병목 현상을 해결하며, 이는 표준 MCMC 및 거부 샘플링이 비효율적이거나 실행 불가능한 문제입니다.
• 과학적 유용성: 사례 연구는 이 방법이 단순한 에지 예측을 넘어 메커니즘적 이해로 나아감으로써, 극단적 현상에 대한 경로 수준의 설명을 요약하고 가설 생성을 도울 수 있음을 보여줍니다.

한계점: 현재 구현은 선형-가우시안 구조 방정식 모델(SEM)과 인과적 충분성(잠재적 교란 요인이 없음)을 가정합니다. 저자들은 비선형 메커니즘, 잠재적 교란, 또는 개입(interventional) 데이터로 확장하는 것이 향후 연구 방향임을 언급했습니다.