AI 기반 베이지안 생성 모델로 관찰 연구의 인과 추정 혁신

초록

CausalBGM은 고차원 공변량을 가진 관찰 연구에서 개별 치료 효과(ITE)를 추정하기 위해 저차원 잠재 변수(잠재 교란 변수)를 베이지안 방식으로 학습한다. 잠재 변수와 모델 파라미터를 확률적 사후분포로 추정하고, 미니배치 기반 반복 알고리즘으로 대규모 데이터에 효율적으로 적용한다. 실험 결과, 기존 최첨단 방법보다 높은 정확도와 잘 보정된 신뢰구간을 제공한다.

상세 분석

본 논문은 관찰 연구에서 고차원 공변량으로 인한 차원의 저주와 계산 복잡성을 해결하고자, 베이지안 생성 모델(BGM) 기반의 CausalBGM 프레임워크를 제안한다. 핵심 아이디어는 치료·결과·공변량을 모두 잠재 변수 Z에 의해 생성된다고 가정하고, Z를 네 개의 독립 부분(Z₀, Z₁, Z₂, Z₃)으로 분할한다. Z₀는 치료와 결과 모두에 영향을 미치는 교란 요인, Z₁은 결과 전용, Z₂는 치료 전용, Z₃는 무관한 잡음 역할을 한다. 이러한 구조적 분해는 인과 그래프의 DAG 특성을 유지하면서, 잠재 교란을 명시적으로 추정하도록 만든다.

모델은 각 관측 변수에 대해 조건부 확률을 정의한다. 공변량 V는 다변량 정규분포 N(μ_v(Z), Σ_v(Z)) 로, 평균·공분산이 신경망(θ_V)으로 파라미터화된다. 치료 X는 연속형이면 정규분포 N(μ_x(Z₀,Z₂), σ²_x(Z₀,Z₂)), 이산형이면 로짓 형태로 모델링한다(θ_X). 결과 Y는 정규분포 N(μ_y(X,Z₀,Z₁), σ²_y(X,Z₀,Z₁))(θ_Y) 로, 평균·분산 모두 신경망으로 학습한다.

베이지안 관점에서 Z와 파라미터(θ_X,θ_Y,θ_V)의 사후분포를 추정하기 위해, 논문은 두 단계 반복 샘플링 알고리즘을 설계한다. 1) 현재 파라미터를 고정하고 Z의 사후를 미니배치 로그우도와 사전 π_Z를 이용해 메트로폴리스-헤스팅스 혹은 변분 추정으로 업데이트한다. 2) Z를 고정하고 각 파라미터의 사후를 로그우도와 사전 π_θ와 결합해 갱신한다. 기존 Gibbs 샘플링이 전체 데이터에 의존하는 반면, CausalBGM은 샘플당 혹은 미니배치당 로그우도만 사용함으로써 연산량을 O(N_batch) 로 감소시킨다. 또한, 초기값을 기존 CausalEGM의 학습된 생성 네트워크 파라미터로 설정해 수렴 속도와 안정성을 크게 향상시킨다.

통계적 강점으로는 (i) 파라미터와 잠재 변수 모두 확률적 사후를 제공해 불확실성을 정량화하고, (ii) 평균·분산을 동시에 모델링해 잘 보정된 사후 구간을 생성한다. 이는 기존 AI 기반 인과 추정이 평균 추정에만 집중하고 불확실성 전달이 부족한 점을 보완한다. 또한, DAG 구조를 명시적으로 유지함으로써 인과 해석 가능성을 확보한다.

한계점으로는 (1) 베이지안 신경망의 사전 선택이 결과에 민감할 수 있으며, (2) 복잡한 비선형 구조를 가진 경우 변분 근사 혹은 MCMC 샘플링이 여전히 고비용일 수 있다. 또한, 잠재 변수 차원 q와 각 부분(Z₀~Z₃)의 크기 선택이 모델 성능에 큰 영향을 미치므로, 실무에서는 교차 검증이나 도메인 지식 기반 선택이 필요하다.

전반적으로 CausalBGM은 고차원 관찰 데이터에 대한 인과 추정에 베이지안 확률론과 최신 AI 모델링을 결합한 혁신적 접근으로, 확장성, 불확실성 정량화, 구조적 해석 가능성 측면에서 기존 방법들을 능가한다.