인과 데이터 융합을 위한 클러스터링·프루닝 기법

초록

본 논문은 관찰·실험 데이터가 부분적으로 겹치는 다중 데이터 소스에서 인과 효과를 식별하기 위해 그래프 크기를 줄이는 두 전처리 기법, 즉 불필요한 변수 제거(프루닝)와 변수 집합 통합(클러스터링)의 적용 조건을 제시한다. 제시된 충분조건을 통해 원 그래프와 변형 그래프 사이의 식별 가능성(invariance)을 보장하고, 이를 기반으로 식별 함수식을 원 그래프에 그대로 전이할 수 있음을 증명한다. 시뮬레이션과 역학·사회과학 사례를 통해 계산 효율성 향상과 실용성을 확인한다.

상세 분석

이 논문은 인과 데이터 융합(causal data fusion) 문제를 일반화된 식별 프레임워크 안에서 다루며, 특히 여러 데이터 소스가 서로 다른 변수 집합을 포함할 때 발생하는 계산 복잡성을 완화하기 위한 두 가지 그래프 변환 기법을 체계적으로 연구한다. 첫 번째는 프루닝(pruning)으로, 인과 효과 식별에 전혀 기여하지 않는 정점들을 완전히 제거한다. 저자들은 기존 단일 관찰 데이터 소스에 대한 프루닝 결과를 다중 데이터 소스 상황으로 확장하기 위해, 각 입력 분포가 포함하는 변수 집합(A_i, B_i, C_i)의 관계와 그래프 구조를 동시에 고려한다. 주요 정리는 “프루닝 연산이 식별 변이성(identification invariance)을 유지한다면, 원 그래프와 프루닝된 그래프에서 동일한 인과 효과 p(y|do(x))가 동일하게 식별 가능하거나 불가능하다”는 것이다. 이를 위해 불필요한 변수의 정의를 후손(descendant) 여부, 단일 연결(edge) 구조, 그리고 입력 분포에 나타나지 않는 변수 등으로 구체화하고, 충분조건을 정리하였다.

두 번째는 클러스터링(clustering)이다. 여기서는 여러 정점을 하나의 집합 정점 T로 합치는 과정을 다루며, 특히 트랜짓 클러스터(transit cluster) 개념을 도입해 기존 연구의 제한을 극복한다. 클러스터링이 허용되는 조건은 (1) 클러스터 내부 정점들이 동일한 부모·자식 관계를 공유하고, (2) 클러스터 외부와의 인과 연결이 동일한 방향으로만 존재하며, (3) 입력 분포에서 클러스터 전체가 동시에 관측·조작될 수 있음을 요구한다. 이러한 조건 하에서 저자들은 클러스터링 연산 역시 식별 변이성을 보존함을 증명하고, 클러스터링된 그래프에서 얻은 식별 함수식을 원 그래프에 삽입하는 구체적 절차를 제시한다.

이론적 결과를 검증하기 위해 Do-search 알고리즘에 프루닝·클러스터링 전처리를 적용한 시뮬레이션을 수행하였다. 변수 수가 20~30개인 무작위 DAG에 대해 프루닝만 적용했을 때 평균 실행 시간이 45% 감소했으며, 클러스터링을 추가하면 70% 이상 감소하는 효과를 보였다. 또한, 역학 분야(소금 섭취와 혈압)와 사회과학 분야(교육 개입과 소득)에서 실제 데이터 소스를 사용한 사례 연구를 통해, 변환 전후에 동일한 인과 효과가 식별 가능함을 확인하고, 변환된 그래프가 제공하는 식별 함수식이 더 직관적이고 계산적으로 효율적임을 입증하였다.

이 논문의 주요 기여는 (1) 다중 데이터 소스 환경에서 프루닝과 클러스터링의 적용 가능성을 이론적으로 정량화한 점, (2) 식별 변이성을 보장하는 충분조건을 명시적으로 제시함으로써 기존 식별 알고리즘에 전처리 단계로 쉽게 통합할 수 있게 만든 점, (3) 실험을 통해 전처리의 실제 계산 효율성을 입증하고, 실제 응용 사례에 적용 가능함을 보여준 점이다. 한계로는 현재 제시된 충분조건이 필요충분조건은 아니며, 보다 일반적인 그래프 구조나 비정형 입력 분포에 대한 확장은 향후 연구 과제로 남는다.