두 환경만으로 인과 그래프를 완전 복원한다

초록

본 논문은 구조적 인과 모델(SCM)의 노이즈 분포만이 서로 다른 두 개의 보조 환경을 이용하면, 비선형 메커니즘을 갖는 임의 크기의 인과 그래프 전체를 유일하게 식별할 수 있음을 증명한다. 핵심 가정은 모든 노이즈가 가우시안이며, 각 환경에서 노이즈의 스케일이 충분히 달라야 한다는 점이다. 저자는 ICA와 인과 발견 사이의 이중성을 활용해 기존 ICA 식별 결과보다 훨씬 적은 환경 수로 그래프 식별이 가능함을 보인다. 실험을 통해 이론적 조건이 충족될 때 기존 비식별 사례도 정확히 복원됨을 확인하였다.

상세 분석

이 연구는 인과 그래프 식별 가능성에 대한 기존 한계를 크게 확장한다. 전통적인 인과 발견은 i.i.d. 관측만으로는 DAG가 다중 해를 가질 수 있어 불가능하다고 알려져 있다. 이를 극복하기 위해서는 하드 인터벤션이나 다수의 소프트 인터벤션(환경) 등이 필요했으며, 특히 비선형 메커니즘을 포함한 일반적인 SCM에서는 환경 수가 변수 수와 비례하거나 그 이상이어야 한다는 제약이 있었다. 저자는 이러한 제약을 완화하고, 단 두 개의 충분히 이질적인 환경만으로도 전체 그래프를 고유하게 복원할 수 있음을 보였다. 핵심 아이디어는 SCM을 ICA 모델 X = f(S) 로 표현하고, 인과 구조는 역자코비안 J_{f^{-1}}의 영(0) 위치, 즉 지원(support)으로 완전히 기술된다는 점이다. ICA 식별은 전체 자코비안 값을 복원해야 하지만, 인과 발견은 지원만 알면 충분하므로 요구되는 정보량이 크게 감소한다. 논문은 다음과 같은 가정을 둔다: (1) f는 전역 미분동형사상이며 두 번 미분 가능, (2) 각 보조 환경은 원본 노이즈 S를 대각 행렬 L_i 로 스케일링한 형태이며, 모든 변수 j에 대해 적어도 하나의 환경에서 λ_{ij}=0, 즉 해당 변수의 노이즈 분산이 0이 되도록 한다, (3) 평균점 μ_S에서 역자코비안이 faithful, (4) 노이즈 S는 다변량 가우시안이다. 가정(2)는 환경 간에 분산이 충분히 변한다는 것을 보장하고, 가정(4)의 가우시안성은 자코비안의 구조를 노이즈 공분산과 직접 연결시켜 식별 증명을 가능하게 한다. 증명은 두 환경에서 얻은 밀도 p_i(x)=p_θ(L_i^{-1}s)·|J_{f^{-1}}(x)| 를 이용해, 두 환경의 로그밀도 차이를 통해 J_{f^{-1}}의 영 위치를 추정한다. 중요한 정리는 J_h = J_{b f}^{-1} J_f 가 스케일된 순열 행렬이 되는 점이 존재한다는 것으로, 이는 두 모델이 동일한 그래프 구조를 가짐을 의미한다. 순열은 DAG의 위상 정렬에 의해 제거 가능하므로, 최종적으로 그래프의 지원이 동일함을 보인다. 실험에서는 가우시안 노이즈와 비선형 신경망 메커니즘을 사용해 합성 데이터를 생성하고, 두 환경에서의 공분산 차이를 이용해 역자코비안 지원을 복원, 기존 비식별 사례(예: 선형 비가우시안, 동일 분산)에서는 실패함을 확인했다. 또한, 가우시안 가정 완화를 위한 아이디어로는 혼합 가우시안 혹은 비가우시안 혼합 모델에 대한 고차 모멘트 활용, 혹은 비선형 ICA의 최신 식별 결과를 차용하는 방안을 제시한다. 이 논문은 “환경 수는 그래프 크기에 독립적이다”는 강력한 메시지를 전달하며, 실제 데이터에서 자연스럽게 발생하는 분산 변동(예: 센서 노이즈, 실험 조건 변화)만으로도 인과 구조를 완전 복원할 수 있음을 시사한다.