소수 환경과 유한 표본으로 인과 표현 학습하기

초록

본 논문은 선형 잠재 구조와 다중 환경(잠재 개입) 데이터를 이용해 인과 표현을 학습하는 방법을 제시한다. 환경 수를 로그 규모( K ≈ log d )로 제한하면서도 혼합 행렬 B, 잠재 인과 그래프 G, 그리고 개입 대상 집합을 일관적으로 복원할 수 있음을 유한 표본 비대칭 경계와 함께 증명한다.

상세 분석

이 연구는 기존 인과 표현 학습(CRL) 분야에서 ‘식별 가능성’만을 다루던 한계를 넘어, 실제 데이터에서 추정기의 수렴 속도와 샘플 복잡도를 정량화한다. 핵심 가정은 (1) 관측 변수 X가 고차원( p ≫ d )이며 선형 혼합 X = B Z 로 생성되고, (2) 잠재 변수 Z 는 선형 구조 방정식 모델 Z = AᵀZ + ν 을 따른다. 여기서 A 는 DAG G의 인접 행렬이며, ν는 독립 잡음이다. 저자는 다중 환경 k = 1,…,K 에서 잠재 변수의 일부 노드 I(k) 가 개입(해당 열을 0으로)되는 상황을 가정한다. 중요한 점은 개입 대상이 사전에 알려지지 않아도 된다는 점이다.

조건 (A1) 은 ‘강하게 구분되는 시스템’ 가정으로, (a) 환경 수 K 가 O(log d) 이하, (b) 관측 환경 k = 0 존재, (c) 모든 변수 쌍 (j₁, j₂) 에 대해 서로를 구분할 수 있는 두 환경이 존재함을 요구한다. 이는 기존 연구에서 다중 목표 개입을 통해 Ω(d) 환경을 필요로 했던 요구를 크게 완화한다. 또한 (A2) 는 두 종류의 잡음 공분산 행렬이 동일한 비율 σ_{j,1}/σ_{j,2} 을 유지하도록 하는 잡음 비율 조건으로, 식별에 필요한 추가적인 스케일 정보를 제공한다.

알고리즘은 크게 세 단계로 구성된다. 첫째, 각 환경별 공분산 행렬 Σ_X^{(k)} 을 추정하고, 이를 이용해 혼합 행렬 B 의 열공간을 공동 고유값 분해(공통 서브스페이스) 방식으로 복원한다. 둘째, 복원된 B̂ 를 사용해 잠재 변수 Ẑ = B̂⁺X 를 얻고, 각 환경에서의 구조 방정식 계수를 최소 제곱법으로 추정한다. 셋째, 개입 대상 I(k) 는 Â^{(k)} 의 영열(Zero‑pattern) 분석을 통해 식별한다. 저자는 섬세한 섭동 분석을 통해, 샘플 크기 n 에 대해
‖B̂ − B‖_F = Õ(√(d log d / n)),
‖Â − A‖_F = Õ(√(d log d / n)),
그리고 개입 대상 복원 오류가 Õ(√(log d / n)) 임을 보인다. 여기서 Õ 는 로그 항을 무시한 빅‑오 표기이다.

특히, 이론적 결과는 K = c log d (상수 c > 0) 조건 하에서도 일관성을 유지함을 증명한다. 이는 환경 수가 잠재 차원에 비해 매우 적어도 충분히 정확한 인과 구조와 표현을 복원할 수 있음을 의미한다. 또한, 잡음 비율 조건(A2) 없이도 비가우시안 잡음에 대해 동일한 수렴 속도를 확보할 수 있음을 보여, 실제 생물학·컴퓨터 비전 데이터에 적용 가능성을 높인다.

마지막으로, 저자는 기존 연구와 비교해 두드러진 차별점을 제시한다. Acartürk 등(2024)의 O(n^{-1/4}) 수렴률은 Ω(d) 환경을 필요로 했으나, 본 논문은 로그 규모 환경으로 동일하거나 더 빠른 수렴률을 달성한다. 또한, 순수 자식(pure‑child) 가정이나 삼각 행렬 제약 없이 전혀 제약 없는 B 와 Σ_Z 를 허용한다는 점에서, 고차원·고밀도 데이터에 대한 적용 가능성이 크게 확대된다.