선형 비가우시안 비순환 모델의 공동 추정

초록

본 논문은 여러 조건에서 수집된 데이터셋에 대해 동일한 변수 순서를 공유하지만 연결 강도와 변수 분포는 다를 수 있는 LiNGAM 모델들을 동시에 추정하는 새로운 방법을 제안한다. 시뮬레이션 결과, 제안 방법이 개별 추정보다 정확도가 높음을 보인다.

상세 분석

LiNGAM은 선형 구조 방정식 모델에 비가우시안 독립 잔차를 가정함으로써 인과 순서를 식별 가능하게 만든다. 기존 연구들은 단일 데이터셋을 전제로 순서와 가중치를 동시에 추정했지만, 실제 연구에서는 실험 조건, 시간대, 지역 등에 따라 여러 데이터셋이 존재한다는 점을 간과했다. 이 논문은 “공동 순서 가정(shared causal ordering)”이라는 핵심 전제를 도입한다. 즉, 서로 다른 데이터셋이 동일한 DAG(Directed Acyclic Graph)의 정점 순서를 공유하지만, 각 데이터셋마다 연결 강도(matrix B)와 외생 변수의 비가우시안 분포가 달라질 수 있다. 이러한 가정을 바탕으로 저자들은 두 단계의 최적화 절차를 설계한다. 첫 번째 단계에서는 모든 데이터셋을 결합해 순서 추정을 위한 독립성 검정(ICA 기반)과 비가우시안성 측정을 수행한다. 여기서 얻은 순서는 모든 데이터셋에 공통으로 적용된다. 두 번째 단계에서는 각 데이터셋별로 고정된 순서를 이용해 선형 회귀를 수행함으로써 개별 B 행렬을 추정한다. 이때, 잔차의 비가우시안성을 유지하도록 제약을 두어 식별성을 보장한다. 알고리즘은 EM(Expectation–Maximization)과 유사한 반복 과정을 통해 순서와 가중치를 교번 업데이트한다. 이 접근법의 장점은 데이터가 적은 소규모 데이터셋에서도 공동 순서 정보를 활용해 추정 안정성을 크게 향상시킨다는 점이다. 또한, 서로 다른 분포를 허용함으로써 실제 현장에서 관측되는 이질성을 자연스럽게 모델링한다. 실험에서는 다양한 연결 강도와 샘플 크기를 변형한 시뮬레이션을 수행했으며, 제안 방법이 평균 제곱 오차와 구조 재구성 정확도 모두에서 기존 개별 추정 방법보다 우수함을 입증했다. 한계점으로는 순서가 완전히 동일하다는 강한 가정이 있으며, 순서가 부분적으로만 공유될 경우 모델 확장이 필요하다는 점을 지적한다. 또한, 비가우시안성 검정에 의존하는 만큼 극단적인 분포나 잡음이 많은 경우 성능 저하가 발생할 수 있다. 전반적으로 이 논문은 다중 데이터셋 상황에서 인과 구조를 효율적으로 추정할 수 있는 실용적인 프레임워크를 제공한다.