기술 요약: CauCity-WM

문제 정의

도시 의사결정에는 정확한 관측적 예측을 넘어, 실제로 취해지지 않은 행동 하에서 실현된 에피소드가 어떻게 진화했을지를 추정하는 능력(반사실적 추론, counterfactual reasoning)이 필요합니다. 그래프 순환 신경망, 트랜스포머, 도시 파운데이션 모델을 포함한 기존의 도시 예측 모델들은 주로 관측적 예측에 최 최적화되어 있습니다. 이러한 모델들은 진화하는 상관관계와 외생적 맥락을 효과적으로 포착하지만, 학습된 전이 역학(transition dynamics)은 일반적으로 구조적 개입 연산자(structural intervention operator)로 정의되지 않습니다. 따라서 높은 예측 충실도가 모델이 특정 에피소드 하에서 do(A) 개입이 일어났을 때 어떤 결과가 되었을지를 결정할 수 있음을 보장하지는 않습니다.

식별된 핵심 과제는 다음과 같습니다:

1. 확률적 개입 일관성 (Stochastic Intervention Consistency): 에피소드 수준에서, 사실적(factual) 세계와 반사실적(counterfactual) 세계는 실현된 에피소드를 생성한 잠재적 교란(latent disturbances)을 공유해야 합니다. 독립적인 샘플링은 처치 효과(treatment effects)를 무작위 실현(예: 날씨, 사고, 샘플러 노이즈)과 뒤섞어 버립니다.
2. 부분 관측 가능성 (Partial Observability): 관련 있는 구조적 교란은 잠재적(latent)입니다. 유효한 반사실은 충분한 이력으로부터 이 교란을 추론(abduction)하고, 개입이 지원되는 행동 영역 내에 머물도록 보장하는 능력에 달려 있습니다.
3. 공간적 국소성 및 교차 체제 안정성 (Spatial Locality and Cross-Regime Stability): 모델은 개입 효과가 타당한 그래프 경로를 통해 전파되도록 허용하면서도 제한 없는 전역적 반응을 피해야 하며, 도시 특유의 이질성을 지우지 않으면서 전이 가능한 메커니즘을 보존해야 합니다.
4. 리스크 인식 계획 (Risk-Aware Planning): 의사결정에는 정교하게 보정된 결과 분포가 필요합니다. 평균 최적 행동은 용납할 수 없는 꼬리 부분의 정체(tail congestion)나 제약 조건 위반을 초래할 수 있기 때문입니다.

방법론: CauCity-WM

CauCity-WM은 그래프 조건부 확산 역학(graph-conditioned diffusion dynamics)을 위한 **노이즈 보존 개입 연산자(noise-preserving intervention operator)**를 기반으로 구축된 인과적 생성 도시 월드 모델(Causal Generative Urban World Model)입니다. 인과성을 보조적인 예측 헤드로 취급하는 접근 방식과 달리, CauCity-WM은 개입 의미론을 확률적 전이 법칙에 직접 내장합니다.

핵심 아키텍처

모델은 잠재적 구조 상태 $Z_t$와 에피소드 수준의 외생적 교란 $U_t$ 상에서 작동합니다. 전이는 재매개변수화된 확률적 맵(reparameterized stochastic map)입니다:
$$Z_{t+1} = D_\theta(Z_t, A_t, E_t, G_t, U_t; \epsilon_{t,1:K})$$
여기서 $D_\theta$는 그래프 조건부 확산 법칙이며, $A_t$는 행동, $E_t$는 외생적 맥락, $G_t$는 도시 그래프, $\epsilon$은 기본 확산 노이즈입니다.

주요 메커즘

1. 노이즈 보존 트윈 월드 확산 (Noise-Preserving Twin-World Diffusion):

   • 추론 (Abduction): 실현된 사실적 궤적에 대해, 모델은 에피소드 특유의 구조적 교란 $\hat{U}$를 추론하고 확산 기본 노이즈 경로 $\hat{\epsilon}$을 일치시킵니다.
   • 트윈 월드 롤아웃 (Twin-World Rollout): 반사실을 생성하기 위해, 모델은 동일한 $\hat{U}$와 $\hat{\epsilon}$을 재사용하되 행동 $A_t$를 개입 $\tilde{A}_t$로 대체합니다.
   • 의미론 (Semantics): 이를 통해 학습된 전이 수준에서 쌍을 이루는 사실적 세계와 반사실적 세계를 생성하며, 두 세계 사이의 유일한 차이점이 오직 개입뿐임을 보장합니다. 이는 효과 추정의 몬테카를로 분산을 줄이고(Proposition 2), 단위 수준의 반사실적 의미론을 제공합니다.

2. 구조적 잠재 상태 및 그래프 역학 (Structured Latent State & Graph Dynamics):

   • 역사적 관측치는 인과적 시간 인코더와 그래프 어텐션을 통한 위상 인식 집계(topology-aware aggregation)를 통해 인코딩됩니다.
   • 잠재 상태 $Z_t$는 안정적인 행동-반응 메커니즘을 지원하기 위해 구조적 전이 및 반사실적 목적 함수와 공동으로 최적화됩니다.

3. 메커니즘 불변성 및 전이 (Mechanism Invariance and Transfer):

   • 그래디언트 정렬 (Gradient Alignment): 메커니즘-그래디언트 정렬 손실($L_{grad}$)과 잔차 분포 매칭($L_{res}$)은 전이 법칙이 서로 다른 도시 및 체제(환경) 간에 안정적이도록 제약하여, 공유된 메커니즘과 환경 특유의 맥락을 분리합니다.
   • 희소 개입 자코비안 (Sparse Intervention Jacobians): 정규화 항($L_{act}$)은 행동이 지원되는 그래프 경로를 통해서만 전파되도록 강제하여, 제한 없는 전역적 반응을 방지하고 행동 국소성(action-locality)을 인코딩합니다.

4. 통합 추론 모드 (Unified Inference Modes):

   • 사실적 예측 (Factual Forecasting): 전이 법칙을 사용한 표준 예측.
   • 회고적 반사실 (Retrospective Counterfactuals): 관측된 미래를 사용하여 $U$를 추론하고 "만약 ~했다면" 시나리오를 평가합니다.
   • 전향적 계획 (Prospective Planning): $U$에 대한 역사 조건부 사전 확률(prior)을 사용하여 행동 시퀀스를 최적화합니다.
   • 리스크 인식 의사결정 (Risk-Aware Decision Making): 효용(예: 이동 시간)과 꼬리 리스크(예: 정체, 제약 위반) 사이의 균형을 맞추기 위해 샘플링된 전이 분포에 대해 CVaR 정규화된 목적 함수를 최적화합니다.

주요 기여

1. 노이즈 보존 개입 연산자: 에피소드 수준의 구조적 교란과 기본 노이즈가 트윈 월드 간에 고정되는 그래프 조건부 확산을 위한 확률적 개입 연산자를 정의합니다. 이는 명시적인 가정 하에 SCM(Structural Causal Model)의 추론-행동-예측(abduction–action–prediction) 과정을 구축합니다.
2. 행동 국소적 및 전이 가능한 구조적 역학: 메커니즘-그래디언트 정렬과 희소 개입 자코비안을 통해 전이 법칙을 제약하여, 지원되는 그래프 경로를 통한 국소적 전파를 특징짓습니다.
3. 통합 프레임워크: 사실적 예측, 회고적 반사실 분석, 전향적 개입 평가, CVaR 정규화된 계획을 단일 전이 분포로 통합하여, 별도의 처치 효과 또는 정책 네트워크를 학습할 필요가 없도록 합니다.
4. 확장된 검증: 7개의 실제 세계 예측 벤치마크, 준합성(semi-synthetic) 반사실, 적응된 인과적 베이스라인, 보정된 SUMO 시뮬레이션 시나리오에 걸친 광범ity한 평가를 제공합니다.

실험 결과

모델은 7개의 실제 데이터셋(METR-LA, PEMS-BAY, PEMS04, PEMS08, LargeST, NYC TLC, Citi Bike)과 보정된 SUMO 시나리오 제품군에 대해 평가되었습니다.

• 사실적 예측: CauCity-WM은 모든 7개 데이터셋에서 강력한 베이스라인(예: OpenCity, UniST, STAEformer) 대비 가장 낮은 MAE를 달성하여, 개입 의미론을 추가해도 예측 정확도가 저하되지 않음을 입증했습니다.
• 반사실적 충실도: 반사실적 평가에서 CauCity-WM(트윈 노이즈)은 2.61의 E-MAE와 3.29의 PEHE를 기록하여, 가장 강력한 적응형 인과 베이스라인(Diff-SCM, E-MAE 3.22, PEHE 4.07)을 능가했습니다. 또한 **84.6%**의 효과 부호 정확도와 **89.6%**의 명목 90% 효과 구간 커버리지를 달성했습니다.
• 전이성: 홀드아웃 지역(LargeST)에 대한 제로샷 전이 테스트에서, CauCity-WM은 메커니즘 불변성 덕분에 다른 모델들에 비해 가장 작은 상대적 저하(+22.1%)를 보였습니다.
• 의사결정 품질: 보정된 SUMO 시나리오에서 CauCity-WM은 평균 이동 시간을 27.1분(DreamerV3의 29.8분 대비)으로 단축시켰고, 제약 위반을 1.9%(4.1% 대비)로 줄였으며, 정체 CVaR를 크게 낮추었습니다.
• 절제 연구 (Ablation Studies): 트윈 노이즈 결합을 제거하면 반사실적 충실도가 크게 저하되었습니다(PEHE가 3.29에서 4.31로 증가). 이는 사실적 MAE에는 미미한 영향을 주면서도 특정 노이즈 보존 메커니즘의 가치를 확인시켜 줍니다. 메커니즘 불변성을 제거하면 제로샷 전이 성능이 크게 저하되었습니다.

의의 및 주장

본 논문은 **개입 일관적 도시 월드 모델링(intervention-consistent urban world modeling)**이 반사실적 분석과 리스크 인식 의사결정을 위한 실질적인 토대를 제공한다고 주장합니다. 주요 의의는 인과성을 보조적인 작업으로 취급하는 것에서 벗어나, 확률적 개입 일관성을 생성적 전이에 직접 내장했다는 점에 있습니다.

저자들은 다음을 강조합니다:

• "노이즈 보존" 메커니즘은 에피소드와 무관한 확률적 변동으로부터 행동 유발 변화를 분리하여, 반사실적 추정의 분산 문제를 직접 해결합니다.
• 모델은 관측 데이터만으로 비매개변수적 식별(non-parametric identification)을 수행한다고 주장하지 않습니다. 대신, 유효한 반사실을 위해 필요한 가정들(상태 충분성, 사후 복구 가능성, 양의 조건, 메커니즘 안정성)을 명시합니다.
• 이 접근 방식은 단일 구조적 생성 모델이 예측, 반사실적 추론, 제약된 계획을 모두 지원할 수 있게 하여, 도시 계획가들이 보정된 불확실성을 가지고 "만약 ~했다면 어떻게 되었을까?"라는 질문을 던질 수 있는 통합된 계산 실험실을 제공합니다.

논문은 부분 관측성과 지원되지 않는 개입이 여전히 한계로 남아 있지만, 제안된 설계 원칙인 노이즈 보존 개입 일관성이 도시 지능을 위한 구별되고 효과적인 경로를 제시한다고 결론짓습니다.