시간과 인과성의 탐구

초록

본 논문은 시간성(temporality)과 인과성(causality)의 개념을 철학·물리·컴퓨팅 관점에서 조명하고, 이들을 데이터에서 자동으로 탐지하기 위한 최신 방법론과 도구들을 정리한다. 시간에 걸친 관계를 찾는 ‘시간 발견’과 사건 간 인과 관계를 규명하는 ‘인과 발견’으로 구분하여 각각의 이론적 배경과 실용적 알고리즘을 비교 분석한다.

상세 분석

논문은 먼저 시간성의 철학적 뿌리를 고전 형이상학과 현상학에서 찾으며, 물리학에서는 뉴턴적 절대시간, 아인슈타인 상대시간, 그리고 양자역학의 비정형 시간 개념을 소개한다. 이러한 물리적 시간 개념은 데이터 과학에서 “시계열”이라는 형태로 구현되며, 시간적 순서와 간격이 의미 있는 패턴을 드러내는 기반이 된다. 인과성에 대해서는 데이비드 힐버트의 인과법칙, 칸트의 선험적 인과관념, 그리고 현대 인과 추론 프레임워크인 베이즈 네트워크와 구조적 인과 모델(SCM)을 논의한다. 특히, 인과성은 단순히 상관관계가 아니라 “조작 가능성”(manipulability)과 “반사성”(counterfactual)이라는 두 축을 통해 정의된다는 점을 강조한다.

컴퓨팅 측면에서는 시간 발견을 위한 전통적 방법인 교차 상관, 그랜저 인과성 검정, 그리고 동적 시간 워핑(DTW) 등을 검토한다. 최근에는 딥러닝 기반 시계열 변환 모델(TCN, Transformer)과 그래프 신경망을 이용한 시간적 패턴 학습이 부상하고 있다. 인과 발견에서는 구조 방정식 모델(SEM), 인과 그래프 학습 알고리즘(PC, FCI), 그리고 인과 효과 추정을 위한 인과 추정기(IV, RCT)와 최신 강화학습 기반 인과 탐색 기법을 비교한다.

도구 측면에서는 TETRAD, CausalNex, DoWhy, 그리고 시계열 전용 패키지인 Prophet, Kats 등을 소개하며, 각각의 장단점과 적용 사례를 제시한다. 논문은 또한 “시간-인과 복합 모델”이라는 새로운 연구 방향을 제시하는데, 이는 시간적 흐름 속에서 인과 메커니즘을 동시에 모델링함으로써 복잡계 현상을 보다 정밀하게 설명할 수 있다는 기대를 담고 있다.

전체적으로 이 논문은 시간과 인과라는 두 축을 독립적으로가 아니라 상호보완적인 관점에서 바라보며, 이론적 토대와 실용적 알고리즘을 균형 있게 제시함으로써 데이터 과학자와 연구자가 복합 현상을 탐구하는 데 필요한 통합적 로드맵을 제공한다.