연속 치료 효과를 위한 새로운 컨포멀 예측 구간

초록

본 논문은 연속형 치료 변수에 대한 인과 효과의 잠재 결과를 추정할 때, 프로펜시티 점수를 추정해야 하는 현실적인 상황에서도 유한 표본 보장을 제공하는 컨포멀 예측(interval) 방법을 제안한다. 알려진 경우와 알려지지 않은 경우 두 시나리오에 대해 각각 유한표본 커버리지를 만족하는 구간을 유도하고, 이를 계산하기 위한 알고리즘을 제시한다. 실험을 통해 합성 및 실제 의료 데이터에서 제안 방법이 기존 방법보다 더 정확하고 신뢰할 수 있는 불확실성 구간을 제공함을 입증한다.

상세 분석

이 연구는 연속 치료(예: 약물 용량)와 같은 실세계 인과 추론 문제에서 불확실성 정량화가 필수적이라는 점을 출발점으로 삼는다. 기존 컨포멀 예측(CP) 이론은 관측 데이터와 테스트 데이터가 교환 가능(exchangeable)할 때만 유한표본 커버리지를 보장한다. 그러나 치료를 개입(intervention)하면 프로펜시티 점수(조건부 치료 할당 확률)가 변하고, 이는 데이터 분포 자체를 이동시켜 교환 가능성을 깨뜨린다. 논문은 이 문제를 두 가지 도전 과제로 정의한다. 첫 번째는 치료 개입에 따른 분포 이동(Challenge a)이며, 두 번째는 실제 데이터에서 프로펜시티 점수가 알려지지 않아 추정해야 하는 불확실성(Challenge b)이다.

이를 해결하기 위해 저자들은 (1) 프로펜시티 이동을 수학적으로 표현하는 ‘tilting function f’를 도입하고, (2) 기존 스플릿 컨포멀 예측을 확장해 교환 가능성이 깨진 상황에서도 비컨포멀 점수(non‑conformity scores)를 조건부 보정한다. 구체적으로, 교정된 양자 회귀(quantile regression) 형태의 최적화 문제를 설정해, 관측 데이터와 목표 개입 데이터 사이의 비율을 반영한 새로운 1‑α 분위수를 추정한다. 이때, 알려진 프로펜시티인 경우에는 f를 직접 지정해 교정하고, 알려지지 않은 경우에는 추정된 프로펜시티를 사용해 f를 근사한다.

핵심 이론적 기여는 두 시나리오 모두에 대해 “조건부 교정된 1‑α 분위수”가 실제 잠재 결과에 대해 유한표본 커버리지를 만족한다는 정리와 그 증명이다. 특히, 프로펜시티 추정 오차를 보수적으로 반영함으로써, 추정된 점수가 실제보다 과소평가되는 위험을 방지한다. 알고리즘 측면에서는, 훈련·보정 데이터를 분리하고, 비컨포멀 점수를 계산한 뒤, 교정된 분위수를 구해 최종 예측 구간을 구성하는 절차를 제시한다. 이 과정은 기존 CP와 동일한 계산 복잡도를 유지하면서도 연속 치료와 프로펜시티 불확실성을 동시에 다룰 수 있다.

실험에서는 합성 데이터에서 프로펜시티 변동을 인위적으로 조절해 커버리지와 구간 길이를 평가하고, 실제 의료 데이터(예: 항암제 용량‑반응 데이터)에서 제안 방법이 기존 바이너리 치료 전용 CP 방법보다 더 좁은 구간을 제공하면서도 목표 커버리지를 유지함을 보였다. 전체적으로 이 논문은 연속형 치료 인과 추론에 컨포멀 예측을 적용하는 첫 시도이며, 프로펜시티 추정 불확실성을 정량화해 실용적인 안전성 보장을 가능하게 만든다.