경량형 슈퍼구조 기반 분할정복 인과 탐색

초록

본 논문은 고비용의 슈퍼구조 구축을 완화하고, 약한 제약을 가진 슈퍼구조와 효율적인 그래프 분할·병합 전략을 결합한 새로운 인과 발견 프레임워크를 제안한다. Chow‑Liu 기반 최대 스패닝 트리를 이용해 비정규 의존성을 포착하고, 이를 약한 슈퍼구조로 활용해 변수 집합을 작은 서브그래프로 나눈 뒤, 각 서브그래프에서 제한적 CI 테스트를 수행한다. 실험 결과, Gaussian 베이지안 네트워크와 실제 CHARLS 데이터에서 기존 PC·FCI 대비 CI 테스트 수를 크게 줄이면서 구조 정확도는 비슷하거나 약간 향상됨을 보였다.

상세 분석

이 연구는 인과 구조 학습에서 “슈퍼구조”라는 사전 스캐폴드를 활용하되, 기존 방법이 요구하던 높은 리콜(즉, 진짜 스켈레톤을 거의 완전 포괄) 대신 높은 정밀도(포함된 엣지는 거의 정확)만을 만족하도록 설계된 점이 가장 큰 혁신이다. 이를 위해 저자는 두 가지 핵심 기술을 도입한다. 첫째, 전통적인 Pearson 상관 대신 비모수적 의존도 측정인 Copula entropy를 사용해 변수 간 복잡한 비선형·비가우시안 관계를 포착하고, 이를 기반으로 Chow‑Liu 알고리즘으로 최대 스패닝 트리(MST)를 구축한다. MST는 변수 수에 비례하는 매우 희소한 그래프이므로, 슈퍼구조의 구축 비용이 크게 감소한다. 둘째, 이렇게 얻은 약한 슈퍼구조를 Girvan‑Newman 방식의 커뮤니티 탐지에 적용해 변수들을 여러 서브그래프로 분할하고, 각 서브그래프에 제한된 1차·2차 CI 테스트만 수행한다. 서브그래프 학습 후에는 Shah et al.의 병합 절차를 활용해 전체 DAG를 재구성한다.

실험 설계는 두 단계로 나뉜다. (1) CD 모듈(분할 모듈)의 유무에 따른 성능 차이를 검증하기 위해 20~40개의 노드를 갖는 합성 Gaussian SEM을 사용했으며, CD 모듈을 적용했을 때 정밀도·재현율·F1 점수가 전반적으로 상승하고 SHD가 감소했지만 CI 테스트 수가 약간 증가한다는 결과를 얻었다. 이는 약한 슈퍼구조가 일부 실제 엣지를 놓쳐 서브그래프 간 d‑separation이 깨지는 경우 추가 CI 테스트가 필요함을 의미한다. (2) 슈퍼구조 구축에 사용되는 의존도 측정법을 비교한 실험에서는 Copula entropy가 가장 일관된 성능을 보였으며, 특히 비가우시안(지수·감마·균등) 노이즈 환경에서 다른 측정법보다 높은 정밀도와 낮은 SHD를 달성했다.

전체적인 강점은 (i) 슈퍼구조 구축 비용을 거의 CI 테스트 없이 해결한다는 점, (ii) 약한 제약에도 불구하고 분할‑정복 구조가 기존 제약 기반 방법과 동등하거나 더 나은 구조 정확도를 유지한다는 점, (iii) 다양한 데이터 분포에 강인한 Copula entropy 기반 의존도 추정이다. 반면 한계점으로는 (a) 약한 슈퍼구조가 실제 스켈레톤을 충분히 포괄하지 못하면 병합 단계에서 추가 CI 테스트가 급증할 가능성이 존재한다는 점, (b) 현재 구현은 MST 기반 트리 구조에 제한돼 복잡한 클러스터링 형태의 슈퍼구조를 다루기 어렵다, (c) 실험이 주로 선형 Gaussian SEM과 제한된 실세계 데이터(CHARLS)만 포함해, 비선형·비정형 데이터에 대한 일반화 검증이 부족하다. 향후 연구에서는 (1) 복수의 약한 슈퍼구조를 앙상블하거나, (2) 학습 중에 동적으로 슈퍼구조를 보강하는 적응형 메커니즘, (3) 비트리형 그래프 구조를 지원하는 고급 분할 알고리즘을 도입해 확장성을 높이는 방향이 기대된다.