연쇄 사건 그래프를 통한 인과 조작의 새로운 패러다임

초록

본 논문은 전통적인 이산 베이지안 네트워크(BN)를 일반화한 연쇄 사건 그래프(CEG) 모델을 제안한다. CEG는 복잡한 비대칭 의사결정 구조를 자연스럽게 표현하며, 조작에 의한 인과 효과를 그래프의 위상만으로 식별할 수 있는 정리들을 제공한다. 특히 BN의 백도어 정리와 유사한 인과 식별 정리를 CEG에 적용함으로써, 보다 풍부한 인과 추론이 가능함을 보인다.

상세 분석

연쇄 사건 그래프(CEG)는 확률적 사건 흐름을 트리 형태로 전개한 뒤, 동등한 조건부 확률 구조를 공유하는 정점들을 병합하여 얻는 비순환 그래프이다. 이 과정에서 사건의 순서와 조건부 의존성이 명시적으로 드러나며, 전통적인 BN이 요구하는 사전 정의된 변수 집합과 조건부 독립성 가정이 완화된다. 논문은 먼저 CEG의 형식적 정의와 구성 절차를 제시하고, 이를 통해 이산 BN이 CEG의 특수 경우임을 증명한다. 핵심은 “위치”(position) 개념으로, 동일한 확률적 미래를 공유하는 정점들을 하나의 위치로 묶음으로써 그래프의 복잡도를 크게 줄이는 것이다.

인과 조작에 대한 정의는 “절단”(cut)과 “조작된 위치”(manipulated position) 개념을 도입한다. 조작은 특정 위치에서 발생하는 전이 확률을 외부 개입에 의해 고정하거나 변경하는 것으로 모델링되며, 이는 BN의 do-연산과 직접적인 대응 관계를 가진다. 논문은 이러한 조작이 CEG 구조에 미치는 영향을 정량적으로 분석하고, 조작 전후의 확률 분포 변화를 그래프 위상 변형으로 표현한다.

특히, 인과 효과 식별을 위한 정리들이 제시된다. 저자는 CEG의 “전방 차단”(forward blocking)과 “후방 차단”(backward blocking) 경로를 정의하고, 이들 경로가 조작된 변수와 결과 변수 사이에 존재하지 않을 경우 인과 효과가 식별 가능함을 증명한다. 이는 BN의 백도어 정리와 구조적으로 유사하지만, CEG는 비대칭적 분기와 불균형 트리 구조에서도 동일한 논리를 적용할 수 있다. 따라서 복잡한 의사결정 과정, 예를 들어 의료 진단 흐름이나 고객 행동 시나리오와 같이 사건 순서가 중요한 도메인에서 강력한 인과 분석 도구가 된다.

또한, 저자는 CEG 기반 인과 추론 알고리즘을 제시한다. 알고리즘은 (1) 원본 CEG 구축, (2) 조작에 따른 위치 재구성, (3) 차단 경로 탐색, (4) 식별 가능한 인과 효과 계산의 네 단계로 구성된다. 시간 복잡도는 그래프의 정점 수와 위치 수에 선형에 가깝게 유지되며, 기존 BN 기반 방법보다 메모리 사용량이 현저히 적다.

마지막으로, 논문은 CEG와 BN의 비교 실험을 통해, 비대칭 구조가 강하게 나타나는 데이터셋에서 CEG가 더 정확하고 해석 가능한 인과 추론을 제공함을 입증한다. 이러한 결과는 CEG가 기존 BN의 한계를 보완하고, 복잡한 인과 모델링에 새로운 패러다임을 제시한다는 점을 강조한다.