관측 데이터용 혼합 전문가 기반 인과 탐색 모델 Enes

** 본 논문은 관측형 데이터에서 인과 관계를 추정하기 위해 ‘Enes(Edge‑node‑edge similarity)’라는 새로운 모델을 제안한다. Enes는 혼합 전문가(Mixture‑of‑Experts, MoE) 구조를 기반으로 하며, 두 개의 전문가 네트워크—선형 전문가와 비선형 전문가—가 각각 그래프의 특징을 추출한다. 게이팅 메커니즘은 두 전문가의 출력을 가중 평균해 최종 점수를 산출하고, 소프트맥스 함수를 통해 클래스 확률을 얻는다. 모델에 적용된 물리‑정보 제약은 세 가지이다. 첫째, 코사인 유사도는 두 전문가 출력 벡터 간 각도를 최소화한다. 둘째, Pearson 상관 패널티는 edge‑node‑edge 삼중항의 상관관계를 억제해 과도한 선형 의존성을 방지한다. 셋째, 인접 행렬 제약은 그래프 구조 자체가 손실에 포함되도록 하여, 학습 과정에서 실제 인접 관계와의 일관성을 유지한다. 이러한 제약은 손실 함수에 가중치 형태로 추가되며, 전체 손실은 전문가 손실 + 제약 패널티 형태로 구성된다. 학습 데이터는 두 종류로 나뉜다. 기존의 Sachs 단백질 신호 네트워크(11노드)와, 무작위 비선형 구조 방정식 모델(SEM) 및 Michaelis‑Menten(MM) 동역학을 기반으로 생성한 합성 데이터(25노드·50노드)이다. 합성 데이터는 랜덤 노이즈와 패턴을 혼합해 ‘GIGO’를 의도적으로 포함시켰으며, 이를 통해 모델이 잡음에 강인한지를 검증하고자 했다. 평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 점수, 구조적 Hamming 거리(SHD)이다. 실험 결과, Enes는 선형 Pearson 기반 베이스라인과 PC 알고리즘에 비해 정확도와 SHD에서 우수한 성능을 보였다. 예를 들어 11노드 Sachs 데이터에서 Enes의 정확도는 0.8818, SHD는 14.30으로 Pearson(0.8694, 15.80)과 PC(0.7025, 36.00)보다 개선되었다. 그러나 재현율은 0.27 수준에 머물렀으며, 특히 대규모 MM 데이터에서는 0.13 이하로 떨어졌다. 이는 모델이 높은 정밀도를 유지하기 위해 보수적인 엣지 선택을 했음을 의미한다. 논문은 라그랑주 동역학과 시뮬레이티드 어닐링을 활용해 학습 안정성을 높였다고 주장한다. 하지만 학습 곡선, 수렴 속도, 하이퍼파라미터 탐색 범위 등에 대한 구체적인 실험 결과는 제시되지 않아, 최적화 기법의 실제 효과를 판단하기 어렵다. 또한, 최신 그래프 신경망 기반 인과 탐색 방법이나 강화학습 기반 접근과의 비교가 없으며, 베이스라인 선택이 제한적이다. 결론에서는 Enes가 혼합 전문가와 물리‑정보 제약을 결합한 새로운 프레임워크임을 강조하고, 데이터 생성 방식을 바꾸면 다양한 문제에 적용 가능하다고 주장한다. 그러나 모델이 실제 인터벤션 데이터를 활용하거나, 복잡한 생물학적 네트워크에 일반화될 수 있는지는 추가 검증이 필요하다. 향후 연구에서는 보다 정교한 데이터 생성, 제약 가중치의 민감도 분석, 최신 베이스라인과의 포괄적 비교, 그리고 재현율 향상을 위한 구조적 정규화 기법 도입이 요구된다. **