플렉스카우설: 구조 흐름 사전과 매니폴드 인식 개입을 통한 유연한 인과 분리 학습

초록

FlexCausal는 블록 대각선 공분산을 갖는 VAE와 정규화 흐름 기반 사전 분포를 결합해, 비가우시안 외생 노이즈와 블록 내부 상관을 보존하면서 인과 구조를 정확히 학습한다. 또한 매니폴드‑aware 상대적 개입 메커니즘과 반사실 일관성 손실을 도입해 고품질 반사실 생성과 구조적 정합성을 확보한다. 실험에서 합성 및 실제 데이터셋 모두에서 기존 방법들을 크게 앞선다.

상세 분석

FlexCausal는 기존 인과 분리 표현 학습이 갖는 두 가지 근본적인 한계를 동시에 해결한다. 첫째, 전통적인 평균장(mean‑field) 근사는 후방 분포를 대각선 공분산으로 제한해 모든 잠재 차원을 독립적으로 만든다. 이는 벡터 형태의 개념(예: 얼굴의 전체적인 표정) 내부의 상관관계를 파괴하고, 인과 메커니즘을 정확히 포착하기 어렵게 만든다. FlexCausal는 블록‑대각선 공분산 VAE를 도입해 각 인과 변수 zₖ를 다차원 블록으로 취급하고, 블록 내부에서는 완전한 상관을 허용한다. 이를 위해 각 블록을 Cholesky 분해 형태로 파라미터화하고, 재파라미터화 트릭을 통해 효율적인 샘플링을 구현한다.

둘째, 기존 방법은 외생 노이즈를 동질적인 가우시안(또는 단순 혼합)으로 가정한다. 실제 세계의 인과 요인은 종종 비가우시안, 다중모드, 비대칭적인 분포를 가진다. FlexCausal는 각 블록별 정규화 흐름(Normalizing Flow)을 학습시켜 외생 노이즈 nₖ의 복잡한 밀도 구조를 정확히 모델링한다. 흐름은 가역적이며 볼륨 보존성을 갖기 때문에, 잠재 공간에서의 로그우도는 외생 공간의 로그우도와 동일하게 유지된다. 이는 인과 메커니즘 fₖ와 외생 노이즈 nₖ를 완전히 분리해 학습함으로써 식별 가능성을 크게 향상시킨다.

구조적 일관성을 강화하기 위해 FlexCausal는 “반사실 일관성 손실”(Counterfactual Consistency Loss)을 도입한다. 개입 do(zⱼ←c) 시, 변형된 잠재 변수 zₖ′ 가 구조 방정식 zₖ′=fₖ(PA(zₖ′), nₖ) 를 만족하도록 제약한다. 이는 단순한 KL‑penalty가 아니라 실제 인과 그래프의 방정식을 훈련 단계에서 강제하는 형태이며, 개입 후에도 잠재 변수들이 그래프 구조에 맞게 재조정되도록 만든다.

또한, 기존의 “hard intervention”(값을 고정) 방식은 데이터 매니폴드에서 벗어난 비현실적인 샘플을 생성한다. FlexCausal는 매니폴드‑aware 상대적 개입을 제안한다. 각 블록에 대해 학습된 의미적 방향 dₖ를 이용해, 원하는 변화량 Δ를 매니폴드 상의 고밀도 경로를 따라 부드럽게 이동시킨다. 이는 기존의 스칼라 고정 방식보다 자연스러운 이미지 변형을 가능하게 하고, 반사실 이미지의 시각적 품질을 크게 개선한다.

실험에서는 합성 벤치마크 “Filter”를 구축해 외생 노이즈를 라플라스, 바이모달 등 다양한 비가우시안 분포로 설정하였다. 이와 더불어 CelebA, dSprites 등 실제 데이터에서도 블록‑대각선 구조와 흐름 사전을 적용했다. 정량적 지표(ELBO, MIG, SAP, 구조 정확도)와 정성적 이미지 비교 모두에서 FlexCausal가 기존 CausalVAE, SCM‑VAE, ICM‑VAE 등을 크게 앞섰다.

한계점으로는 (1) 인과 그래프가 사전에 고정돼 있어 완전한 구조 학습이 어려우며, (2) 흐름 사전 학습에 추가적인 계산 비용이 발생한다. 향후 연구에서는 그래프 구조를 데이터‑주도적으로 추정하고, 효율적인 흐름 아키텍처를 탐색하는 방향이 기대된다.