시간에 따른 조건부 평균 잠재 결과 추정을 위한 IGC‑Net

초록

IGC‑Net은 시간에 따라 변하는 교란 변수를 올바르게 조정하는 회귀 기반 반복 G‑computation 모델이다. 역전파가 가능한 엔드‑투‑엔드 신경망 구조를 통해 잠재 치료 효과의 조건부 평균을 직접 추정하며, 역전파가 불안정한 역 propensity 가중치나 고차원 분포 추정이 필요 없는 장점을 가진다. 실험 결과, 변형된 트랜스포머 백본을 사용한 IGC‑Net은 기존 최첨단 방법들을 능가한다.

상세 분석

본 논문은 관찰 데이터에서 시간에 따라 변하는 치료와 결과를 다루는 인과 추정 문제를 정의하고, 기존 방법들의 근본적인 한계를 정확히 짚어낸다. 첫 번째 한계는 CRN·CT·TE‑CDE와 같은 방법이 시간변화 교란을 “균형 표현”으로만 처리한다는 점이다. 균형 표현은 표본 분산을 줄이는 목적은 있지만, 교란 편향을 완전히 제거하지 못한다는 것이 이론적·실증적으로 입증된다. 두 번째 한계는 RMSN이 역 propensity weighting(IPW)을 사용한다는 점이다. IPW는 각 시점의 치료 확률이 0에 가까워질 경우 가중치가 폭발하여 추정 분산이 급격히 증가한다. 이는 특히 다단계 예측(τ≥2)에서 심각한 문제를 야기한다. 세 번째 한계는 G‑Net·G‑transformer가 G‑computation을 적용하되, 미래 모든 교란 변수의 전체 확률분포(모든 고차 모멘트)를 추정하고 Monte‑Carlo 샘플링을 수행한다는 점이다. 고차원 분포 추정은 계산량이 기하급수적으로 늘어나며, 샘플링 오차가 누적돼 최종 CAPO 추정에 큰 불확실성을 도입한다.

IGC‑Net은 이러한 문제점을 동시에 해결한다. 핵심 아이디어는 G‑computation 식을 “조건부 기대값의 재귀” 형태로 변형하고, 이를 회귀 모델을 통해 순차적으로 학습하는 것이다. 구체적으로, τ‑step ahead CAPO를 구하기 위해 pseudo‑outcome G¯a_{t+δ} 를 정의하고, δ=τ−1부터 0까지 역방향으로 E