네트워크 간섭 상황에서 잠재 교란 변수 복원 기반 인과 효과 추정

초록

**
본 논문은 네트워크 간섭이 존재하는 관측 데이터에서 기존의 “네트워크된 무조건성(네트워크드 언컨퓨운드니스)” 가정을 포기하고, 단위 자체, 이웃, 그리고 양쪽에 영향을 미치는 세 종류의 잠재 교란 변수를 네트워크 구조가 제공하는 상호작용 정보를 활용해 복원한다. 복원된 교란 변수를 이용해 인과 효과를 식별하고, 식별가능한 표현 학습 기법을 바탕으로 실용적인 효과 추정기를 설계하였다. 이론적 식별 가능성 증명과 광범위한 실험을 통해 제안 방법의 유효성을 입증한다.

**

상세 분석

**
이 연구는 네트워크 간섭(networked interference) 상황에서 인과 효과를 추정하려는 기존 접근법이 전제하는 “네트워크된 무조건성(Assumption 4)”이 현실 데이터에서는 자주 위배된다는 점에 주목한다. 저자들은 교란 변수(u)를 세 부분으로 분해한다: (1) u_i – 단위 자체에만 영향을 미치는 교란, (2) u_n – 이웃에게만 영향을 미치는 교란, (3) u_c – 단위와 이웃 모두에 영향을 미치는 교란. 이러한 분해는 Figure 2에 제시된 인과 그래프와 일치한다. 핵심 아이디어는 네트워크 간섭 자체가 잠재 교란을 추정할 수 있는 “보조 정보”를 제공한다는 것이다. 구체적으로, 이웃의 처치(t_N)와 결과(y) 사이의 상관관계가 교란 변수에 의해 매개된다는 점을 이용해, 관측 가능한 프록시 x와 네트워크 구조 E를 결합한 조건부 확률 모델을 구축한다.

저자들은 두 단계의 이론적 결과를 제시한다. 첫 번째는 잠재 교란 식별 가능성이다. 가정 5(Latent Networked Unconfoundedness)와 네트워크 구조가 충분히 풍부하다는 전제 하에, 관측된 (x, t, z) 데이터로부터 u_i, u_n, u_c를 각각 고유하게 복원할 수 있음을 보인다. 여기서 z는 이웃 처치를 요약한 노출 변수(g 함수에 의해 정의)이며, 평균 노출(∑_j∈N_i t_j/|N_i|)을 사용한다. 두 번째는 인과 효과 식별이다. 복원된 교란을 조건부 변수로 포함하면, 기존의 무조건성 가정 없이도 평균 메인 효과(AME), 평균 스필오버 효과(ASE), 평균 총 효과(ATE)를 식별할 수 있다.

실제 추정 단계에서는 식별 가능한 표현 학습(identifiable representation learning) 프레임워크를 적용한다. 구체적으로, 변분 오토인코더와 같은 구조를 사용해 x로부터 잠재 교란 û를 추정하고, 동시에 인과 효과를 추정하는 두 개의 손실을 공동 최적화한다. 이때 교란 복원 손실은 교란 간의 독립성 및 네트워크 구조에 기반한 정규화 항을 포함한다. 결과적으로 얻어진 표현은 교란을 충분히 설명하면서도, 치료와 결과 사이의 인과 관계를 보존한다.

실험에서는 합성 데이터와 실제 소셜 네트워크(예: Facebook, Twitter) 데이터를 사용해 기존 방법(Generalized Propensity Score, Balanced Representation, Doubly Robust 등)과 비교한다. 특히, 잠재 교란이 강하게 존재하는 시나리오에서 제안 방법은 평균 절대 오차(MAE)와 평균 제곱 오차(MSE) 측면에서 현저히 낮은 값을 기록한다. 또한, 교란 복원 정확도(예: 교란 변수와 복원된 변수 간의 상관계수)도 높은 것으로 보고되어, 이론적 식별 가능성이 실험적으로도 실현됨을 확인한다.

이 논문의 주요 기여는 다음과 같다. (1) 네트워크 간섭을 활용해 잠재 교란을 세 종류로 명시적으로 분류하고 식별 가능성을 증명, (2) 교란 복원을 기반으로 네트워크 효과를 무조건성 없이 식별하는 새로운 인과 모델을 제시, (3) 식별 가능한 표현 학습을 이용한 실용적인 추정 알고리즘을 설계, (4) 다양한 실험을 통해 기존 방법 대비 우수성을 입증. 한편, 가정 5가 완전한 교란 독립성을 요구한다는 점과, 요약 함수 g가 사전에 정의돼야 한다는 제한점이 남아 있다. 향후 연구에서는 g를 데이터에서 자동 학습하거나, 고차 이웃까지 확장하는 방법을 탐색할 여지가 있다.

**