인과 그래프 학습을 위한 분포 불변성 접근

초록

본 논문은 원인 변수들의 사전 분포가 바뀌어도 효과 변수의 조건부 분포 P(effect│cause) 는 변하지 않는다는 관찰을 이용한다. 이를 기반으로 여러 다운샘플링된 데이터 서브셋에서 조건부 분포의 변동성을 검정하고, 후보 부모 집합을 효율적으로 탐색함으로써 O(d²) 복잡도로 인과 그래프를 복원한다. 실험 결과, 기존 최첨단 방법 대비 정확도는 동등하거나 우수하면서 처리 시간은 최대 25배 가량 감소한다.

상세 분석

논문은 인과 관계의 핵심 가정인 “원인‑효과 조건부 분포는 원인들의 사전 분포에 대해 불변이다”를 정량적 검정으로 전환한다. 이를 위해 저자들은 (1) 마코프 블랭킷을 이용해 각 변수의 가능한 부모 후보를 O(d²) 복잡도로 추출하고, (2) 원인 집합 B (즉, 부모가 없는 외생 변수) 를 식별한 뒤, 다양한 P(B) 를 인위적으로 만들기 위해 관측 데이터를 다운샘플링한다. 다운샘플링은 원인 변수들의 비율을 조정하면서도 실제 P(effect│cause) 를 보존하도록 설계돼, 진정한 인과 관계에서는 조건부 분포의 변동이 이론적으로 0에 가깝게 유지된다.

조건부 분포의 변동성은 각 서브셋에서 P(X│Z) 를 추정하고, 그 추정값들의 분산을 계산함으로써 측정한다. 변동이 통계적으로 유의미하게 작으면 Z 를 X 의 진짜 부모 집합 Pa