최적 인과 추론: 저장 정보와 인과 구조 추정

초록

본 논문은 확률적 동역학 시스템의 인과 구조를 추정하기 위해 인과 차폐 원리를 적용한 새로운 방법론을 제시한다. 확률 분포가 알려진 이상적 상황에서는 ‘최적 인과 필터링’으로 정확한 인과 상태 파티션을 복원하고, 모델 복잡도 제약을 완화하면 시스템이 저장하는 과거 정보량을 정량화한다. 실제 데이터와 같이 제한된 표본을 다룰 때는 ‘최적 인과 추정’이 통계적 변동을 보정하는 복잡도 제어항을 도입해 과적합을 방지하고, 적절한 인과 상태 수를 자동으로 결정한다.

상세 분석

이 연구는 정보 이론과 복잡계 과학을 연결하는 교량 역할을 한다. 저자들은 전통적인 레이트 디스토션 이론을 ‘인과 차폐(causal shielding)’라는 학습 원칙과 결합함으로써, 관측된 과거와 미래 사이의 상호 정보를 최소화하면서도 중요한 인과 관계를 보존하는 최적 압축을 구현한다. 두 가지 핵심 알고리즘, 즉 Optimal Causal Filtering (OCF)와 Optimal Causal Estimation (OCE)을 제시한다. OCF는 측정 시퀀스의 전체 확률 분포가 주어졌을 때, 주어진 압축률(또는 모델 복잡도) 제약 하에 가장 효율적인 상태 집합을 찾는다. 이때 목적 함수는 ‘예측 정보 I