디자인 기반 인과 추론을 위한 가중치 학습에 표현 학습 적용

초록

본 논문은 결과 정보를 사용하지 않는 디자인 기반 가중치를 찾는 문제에 초점을 맞추고, 표현 학습을 통해 적절한 공변량 변환을 자동으로 학습한다. 저자는 가중치 추정 시 발생하는 ‘표현 편향’과 ‘혼동 편향’ 등을 정량화하고, 이를 최소화하도록 설계된 신경망 기반 엔드‑투‑엔드 절차를 제안한다. 제안 방법은 기존 균형 가중치 기법과 비교해 이론적 보장을 유지하면서 실험에서 경쟁력을 보인다.

상세 분석

이 논문은 인과 효과 추정을 위한 가중치 설계에서 “디자인 기반” 접근을 강조한다. 즉, 결과 변수(또는 의사결과) 정보를 전혀 사용하지 않고, 오직 공변량 X와 목표 분포 Q만을 이용해 가중치 w(x)를 구한다는 점이 핵심이다. 전통적인 방법은 역확률 가중치(예: propensity score)나 균형 점수에 의존하지만, 이러한 방법은 모델 지정 오류에 매우 취약하고, 고차원 데이터에서 균형 제약을 만족시키기 어려운 단점이 있다.

저자는 이러한 한계를 극복하기 위해 표현(Representation) 학습을 도입한다. 공변량 X를 저차원 혹은 비선형 변환 ϕ(X)로 매핑함으로써, 원래 공간에서 발생하는 정보 손실을 최소화하고, 가중치 추정이 ϕ에만 의존하도록 설계한다. 논문은 ϕ 선택에 따른 세 가지 편향을 명시적으로 분해한다.

1. 표현 편향(Representation Bias) – ϕ가 원래 X에 포함된 정보를 충분히 보존하지 못할 때 발생한다. 이는 E_P