고차원 관측을 통한 인과 구분 방법

초록

본 논문은 다변량 변수 사이의 선형 인과관계를 고차원 데이터에서 식별하는 새로운 방법을 제시한다. 원인 변수와 인과 매핑 행렬이 독립적으로 선택될 때 발생하는 분포 비대칭성을 이용해, 원인→결과와 결과→원인 두 방향 중 어느 쪽이 실제 인과 구조에 부합하는지를 판단한다. Gaussian·비Gaussian, 확률·결정적 관계 모두에 적용 가능하며, 차원이 5 정도면 실험적으로도 충분히 구분이 가능함을 보인다.

상세 분석

이 연구는 “인과 메커니즘 독립성(Independence of Causal Mechanisms, ICM)” 가정에 기반한다. 구체적으로, 원인 X의 공분산 Σ_X와 인과 매핑 A(선형 구조 행렬)가 서로 독립적인 확률 분포에서 샘플링된다고 가정한다. 그러면 결과 Y = AX + ε (ε는 잡음) 의 공분산 Σ_Y는 Σ_Y = A Σ_X Aᵀ + Σ_ε 로 표현된다. 고차원(즉, 차원 d → ∞) 상황에서 랜덤 행렬 이론에 의해, Σ_X와 A가 독립적으로 무작위로 선택될 경우 Σ_Y의 스펙트럼은 특정한 비대칭성을 띤다. 특히, 트레이스 연산인 tr(A Σ_X Aᵀ)와 tr(Σ_X)·tr(A Aᵀ)/d 사이의 관계가 방향에 따라 기대값이 달라진다. 이를 “trace condition”이라 부르며, 원인→결과 방향에서는
 tr(A Σ_X Aᵀ) ≈ tr(Σ_X)·tr(A Aᵀ)/d
가 성립하지만, 반대 방향에서는 일반적으로 위 식이 크게 위배된다. 논문은 이 비대칭을 정량화하기 위해 “Δ”라는 지표를 정의하고, Δ가 0에 가까울수록 원인→결과 가설이 맞다고 판단한다.

수학적으로는 고차원에서의 평균값 정리와 자유 확률 이론을 활용해, Σ_X와 A가 독립적일 때 Δ의 기대값이 0에 수렴함을 증명한다. 또한, 비Gaussian 데이터에 대해서는 고차원 중심극한정리를 이용해 비선형 변환 후에도 비대칭이 유지된다는 실험적 근거를 제시한다. 잡음이 존재하는 경우에도 Σ_ε가 충분히 작으면 동일한 판단 기준이 적용 가능하며, 잡음이 큰 경우에는 Δ의 분산이 커져 판별력이 감소한다는 한계도 논의한다.

실험에서는 인공적으로 생성한 다변량 Gaussian 데이터와 실제 이미지 패치, 뇌파(EEG) 데이터 등을 사용해 차원 d = 5~50 범위에서도 높은 정확도로 인과 방향을 복원한다. 특히, 기존의 비선형 인과 추정 방법(예: ICA 기반, Additive Noise Model)과 비교했을 때, 차원이 낮을 때는 성능이 비슷하거나 약간 뒤처지지만 차원이 증가함에 따라 급격히 우수한 결과를 보인다.

이 방법의 핵심 강점은 (1) 선형 모델만 가정하므로 계산량이 O(d³) 수준의 행렬 연산으로 충분히 구현 가능하고, (2) 고차원 비대칭성을 이용해 확률적·결정적 인과 모두를 포괄한다는 점이다. 다만, 원인과 결과가 모두 고차원이어야 한다는 전제와, A와 Σ_X가 완전히 독립적이라는 가정이 현실 데이터에서 완벽히 만족되지 않을 수 있다는 점이 한계로 남는다.