Causal Inference under Interference with Learned Exposure Mappings

기술 요약: 학습된 노출 매핑을 이용한 간섭 하의 인과 추론

문제 정의
간섭이 존재하는 상황에서의 인과 추론에서, "노출 매핑(exposure mapping)"은 한 단위에 할당된 처치가 다른 단위의 유효 노출에 어떻게 영향을 미치는지를 정의하는 핵심 구성 요소이다. 전통적인 프레임워크는 일반적으로 이 매핑이 고정된 지리적 거리나 네트워크 구조를 통해 사전에 알려져 있다고 가정한다. 그러나 환경 응용 분야(예: 오염 통제의 건강 영향 분석)에서는 노출 매핑이 직접 관찰되지 않는다. 대신, 이는 오염 데이터로부터 학습되어야 하는 잠재적인 대기 수송 과정에 의해 유도된다.

이는 근본적인 과제를 생성한다. 즉, 다양한 수송 모델(기계론적 PDE, 물리 정보 신경 연산자, 푸리에 신경 연산자, 파운데이션 모델 등)이 관측된 오염 농도를 예측하는 데 있어 유사한 예측 정확도를 달est할 수 있음에도 불구하고, 이들이 함의하는 기저의 수송 연산자는 다를 수 있다는 점이다. 결과적으로 이러한 모델들은 서로 다른 노출 매핑을 생성할 수 있으며, 이는 파생 효과(spillover effects)에 대한 상이한 인과적 결론으로 이어진다. 본 논문은 노출 매핑이 관찰된 것이 아니라 학습된 것일 때, 예측적 합의(predictive agreement)가 신뢰할 수 있는 인과 추론을 위한 충분조건인지 조사한다.

방법론
본 연구는 수송 연산자 $T$가 개입 벡터 $A$(배출 감소)를 노출 매핑 $E(T) = TA$로 매핑하는 프레임워크를 채택한다. 관심 있는 인과적 양은 직접적인 개입과 파생 노출의 함수로 모델링된 건강 결과 $H$에 대한 파생 효과이다.

저자는 네 가지 서로 다른 수송 모델링 접근 방식을 비교한다:

1. 기계론적 PDE: 내류-확산 편미분 방정식 모델.
2. PINO: 물리 정보 신경 연산자(Physics-Informed Neural Operators).
3. FNO: 푸리에 신경 연산자(Fourier Neural Operators).
4. GeoPT: 지형적 수송을 위한 최신 파운데이션 모델.

평가는 두 단계로 진행된다:

• 시뮬레이션 연구: 잠재적인 "진정한" 수송 연산자 $T^*$가 오염 역학을 생성한다. 경쟁 모델들이 결과적으로 관측된 오염장(pollution field)에 적합(fitting)된다. 연구는 각 모델이 오염($PM$)을 예측하고, 진정한 노출 매핑을 회복하며, 진정한 파생 효과를 추정하는 능력을 평가한다.
• 실증 분석: 모델들을 캘리포니아 $PM_{2.5}$ 데이터에 적용한다. 이 분석은 서로 다른 수송 가정이 가상의 오염 통제 개입 하에서 추론된 파생 패턴에 어떤 영향을 미치는지 조사하며, 단일한 "진정한" 대기 과정을 식별하겠다고 주장하지는 않는다.

주요 결과

• 예측적 동등성 vs. 인과적 발산: 시뮬레이션에서 네 모델 모두 거의 동일한 오염 예측 정확도($R^2$ 범위 0.970 ~ 0.975)를 달성했다. 그러나 이들이 추정한 파생 효과는 1.78에서 2.27까지 크게 달랐다. 노출 매핑을 가장 정확하게 회복한 모델(FNO)이 진정한 값에 가장 가까운 파생 효과 추정치를 생성했다.
• 노출 매핑 정확도의 예측력: 연구 결과, 노출 매핑을 회복하는 정확도가 오염 예측 정확도의 미세한 향상보다 추론 성능을 더 잘 예측하는 것으로 나타났다. 노출 매핑 오차가 큰 모델(예: PINO, GeoPT)은 파생 효과 추정치에서 더 큰 편차를 보였다.
• 개입 민감도: 노출 매핑 불확실성의 영향은 개입 유형에 따라 크게 달랐다:
  • 지역적 개입: 모델 간의 이견이 완만했다(파생 효과 범위: 1.79–2.42).
  • 상류(Upwind) 개입: 이견이 가장 작았다(범위: 1.93–2.13).
  • 국소적 점오염원 개입: 상당한 이견을 보였으며, 추정된 파생 효과는 PDE(0.51)에서 GeoPT(1.56)까지 세 배 차이를 보였다.
• 실증적 발견 (캘리포니아): 캘리포니아 $PM_{2.5}$ 데이터 분석은 시뮬레이션 결과를 반영했다. 경쟁 모델들은 관측된 농도에 대해 유사한 예측을 생성했지만, 서로 다른 파생 패턴을 함의하며 개입에 의해 가장 영향을 받는 위치를 다르게 식별했다. 주목할 점은, 파생 추정치는 다양했으나 전체적인 추정 개입 효과는 안정적(0.303 ~ 0.305 범위)이었다는 것이다. 이는 수송 불확실성이 총체적인 정책 영향 예측보다는 메커니즘적 이해에 더 큰 영향을 미침을 시사한다.

의의 및 주장
본 논문은 노출 매핑이 학습될 때 예측적 합의만으로는 신뢰할 수 있는 인과 추론을 보장하기에 불충분하다고 주장한다. 핵심 기여는 관측된 데이터를 동일하게 잘 맞추는 모델들이 서로 다른 노출 매핑을 유도할 수 있으며, 특히 국소적 개입에 대해 상당히 다른 결론을 도출할 수 있음을 입증한 것이다.

저자는 다음과 같이 주장한다:

1. 노출 매핑은 고정된 설계 객체가 아니라 추정된 양으로 취급되어야 하며, 이는 수송 학습 과정으로부터의 불확실성을 다운스트림 인과 분석으로 전파할 필요가 있음을 의미한다.
2. 수송 모델에 대한 평가 기준은 예측 정확도를 넘어, 유도된 노출 매핑의 안정성과 신뢰성을 포함하도록 확장되어야 한다.
3. 학습된 수송 과정의 불확실성은 표적화된 개입(targeted interventions)에서 가장 중요하다. 이는 국소적 수송 행동이 광범-지역적 개입에 비해 다운스트림 노출에 더 강력한 영향을 미치기 때문이다.

본 연구는 학습된 수송 과정의 불확실성을 고려하지 않는다면, 기반 모델들이 예측 성능 측면에서 구별 불가능해 보이더라도 파생 효과에 대한 인과적 추론이 신뢰할 수 없게 될 수 있다고 결론짓는다.