고차원 DAG 학습을 위한 빠른 인과 추론 알고리즘 RFCI

초록

본 논문은 잠재 변수와 선택 변수가 존재하는 경우에도 적용 가능한 인과 구조 학습 알고리즘인 FCI의 계산 복잡도를 크게 낮춘 RFCI를 제안한다. RFCI는 조건부 독립 검정 횟수를 최소화하면서도 asymptotic 환경에서 올바른 인과 정보를 제공한다. 고차원 희소 설정에서의 일관성도 증명했으며, 시뮬레이션을 통해 FCI와 거의 동일한 추정 정확도를 보였다.

상세 분석

이 연구는 인과 그래프 학습 분야에서 가장 어려운 문제 중 하나인 잠재·선택 변수의 존재 하에서의 구조 추정을 다룬다. 기존에 널리 사용되던 Fast Causal Inference(FCI) 알고리즘은 모든 가능한 조건부 독립 검정을 수행하기 때문에 변수 수가 수백에 달하면 계산량이 급격히 증가한다. 저자들은 이러한 병목을 해소하기 위해 Really Fast Causal Inference(RFCI) 알고리즘을 설계했으며, 핵심 아이디어는 “필수적인” 검정만을 수행하도록 탐색 범위를 제한하는 것이다. 구체적으로 RFCI는 (i) 초기 단계에서 PC 알고리즘과 유사하게 인접성을 제거하고, (ii) 남은 변수 쌍에 대해 가능한 최소 차수의 조건부 집합만을 고려한다. 이 과정에서 “anytime” FCI와 유사한 제한을 두지만, 검정 순서를 최적화해 불필요한 고차원 조건부 검정을 거의 배제한다.

알고리즘의 정확성에 대해서는 두 가지 측면에서 증명한다. 첫째, RFCI가 출력하는 부분 조상 그래프(PAG)는 FCI가 출력하는 PAG와 동일한 인과 정보를 포함한다는 점이다. 즉, RFCI가 놓치는 것은 일부 조건부 독립 관계(특히 고차원 조건부 집합에 의존하는 관계)뿐이며, 인과 방향성에 관한 오류는 발생하지 않는다. 둘째, 고차원 희소 모델(변수 수 p가 샘플 수 n보다 훨씬 큰 경우)에서의 일관성을 보였다. 여기서는 그래프의 최대 차수가 log p 수준으로 제한되는 희소성 가정을 두고, 조건부 독립 검정에 사용되는 통계량이 충분히 강력하면 RFCI가 true MAG을 일관적으로 복구한다는 정리를 제시한다. 흥미롭게도, FCI에 비해 RFCI는 차수 제한이 더 완화된 상태에서도 일관성을 유지한다는 점에서 계산 효율성과 이론적 강건성 사이의 좋은 균형을 보여준다.

실험 부분에서는 다양한 시뮬레이션 설정(노드 수 50~200, 잠재·선택 변수 비율, 그래프 밀도 등)을 통해 알고리즘의 실행 시간과 구조 복구 정확도를 비교했다. 결과는 RFCI가 FCI보다 10배 이상 빠르게 수렴하면서도, 구조 오류율(정밀도·재현율)에서는 차이가 거의 없음을 확인한다. 또한, RFCI와 FCI, 그리고 수정된 Anytime FCI, Adaptive Anytime FCI(AAF‑CI) 등을 모두 R 패키지 pcalg에 구현해 공개함으로써 실무 적용 가능성을 높였다.

전반적으로 이 논문은 고차원 데이터에서 인과 구조를 추정하려는 연구자와 실무자에게 실용적인 도구를 제공한다. 특히 유전체·뇌영상·소셜 네트워크 등 변수 수가 방대하고 잠재 요인이 존재할 가능성이 높은 분야에서 RFCI는 기존 방법의 계산적 한계를 극복하고, 이론적 보장을 유지하는 중요한 진전으로 평가될 수 있다.