인과 모델을 위한 두 가지 최적 활성 학습 전략

초록

관찰 데이터만으로는 인과 DAG를 마코프 동등성 클래스 수준에서만 식별할 수 있다. 본 논문은 개입 데이터를 활용해 식별성을 높이는 두 가지 활성 학습 전략을 제안한다. 첫 번째는 단일 정점 개입을 반복적으로 선택해 매 단계마다 방향을 정할 수 있는 가장 많은 에지를 확보하는 탐욕적 방법이다. 두 번째는 다중 정점 개입을 허용하면서도 최소한의 개입 목표 집합을 다항 시간 안에 찾는 알고리즘으로, 모든 에지를 완전히 식별할 수 있는 최소 개입 수에 대한 Eberhardt(2008)의 추측을 증명한다. 시뮬레이션을 통해 무작위 개입 및 기존 방법과 비교했으며, 추정 오류가 활성 학습 성능에 미치는 영향을 분석하였다.

상세 분석

본 연구는 인과 구조 학습에서 개입 설계가 얼마나 중요한지를 정량적으로 보여준다. 첫 번째 전략은 “greedy single‑vertex intervention”이라 명명되며, 현재 마코프 동등성 클래스에 속한 DAG들의 에지 방향을 최대한 많이 확정시킬 정점을 선택한다. 이를 위해 각 정점에 대한 기대 정보 이득을 계산하고, 가장 큰 이득을 주는 정점을 순차적으로 개입한다. 이 방법은 계산 복잡도가 O(p·|E|) 수준으로, 변수 수 p와 현재 미확정 에지 수 |E|에 선형적으로 의존한다. 두 번째 전략은 “minimum‑size arbitrary‑size intervention set”으로, 개입 목표의 크기에 제한을 두지 않음에도 불구하고 전체 DAG를 완전히 식별할 수 있는 최소 개입 집합을 다항 시간에 찾는다. 핵심 아이디어는 “essential graph”를 이용해 아직 방향이 정해지지 않은 체인 컴포넌트를 탐색하고, 각 체인에 대해 최소 하나의 정점을 포함하도록 목표 집합을 구성하는 것이다. 이 알고리즘은 Eberhardt가 제시한 “unbounded intervention targets” 개념을 구체화하여, 최악의 경우에도 ⌈log₂(p)⌉개의 개입이면 충분하다는 것을 증명한다(필요충분조건). 논문은 또한 두 전략의 실험적 성능을 평가한다. 시뮬레이션에서는 랜덤 개입, 기존의 “optimal experiment design” 방법과 비교했을 때, greedy 전략은 초기 단계에서 빠르게 에지 방향을 확보하지만 전체 개입 수는 다소 많다. 반면 최소‑크기 전략은 전체 개입 수를 최소화하면서도 최종적으로 완전 식별을 보장한다. 추정 오류(예: 구조 학습 알고리즘의 오탐·누락) 가 존재할 경우, greedy 전략이 더 견고한 반면, 최소‑크기 전략은 오류에 민감하게 동작한다는 점도 확인하였다. 이러한 결과는 실제 실험 설계에서 비용·시간 제약을 고려한 전략 선택에 중요한 지침을 제공한다.