PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.15215v3stat.ML공식 코드 · Papers with Code

인과 데이터 융합에서의 군집화와 가지치기

Clustering and Pruning in Causal Data Fusion

데이터 융합(data fusion)은 관측 데이터(observational data)와 실험 데이터(experimental data)를 결합하는 과정으로, 그렇지 않았다면 식별 불가능(non-identifiable)했을 인과 효과(causal effects)의 식별을 가능하게 할 수 있습니다. 특정 시나리오에 대한 식별 알고리즘들이 개발되었지만, 특히 변수가 일부 데이터 소스(data sources)에는 존재하고 다른 곳에는 없는 경우, do-calculus는 인과 데이터 융합을 위한 유일한 범용 도구로 남아 있습니다. 그러나 do-calculus에 기반한 접근 방식은 변수의 수가 증가하고 인과 그래프(causal graph)가 복잡해짐에 따라 계산적 어려움에 직면할 수 있습니다. 결과적으로, 핵심 특징(essential features)을 보존하면서 이러한 모델의 크기를 줄일 필요가 있습니다. 이를 위해, 본 연구는 인과 데이터 융합을 위한 전처리 연산으로 가지치기(pruning, 불필요한 변수 제거)와 군집화(clustering, 변수 결합)를 제안합니다. 단일 데이터 소스(single data source)에 대한 기존 결과를 일반화하고, 다중 데이터 소스(multiple data sources)의 경우 가지치기와 군집화를 적용하기 위한 조건을 도출합니다. 더 작은 그래프를 기반으로 더 큰 그래프에서 인과 효과의 식별 가능성(identifiability) 또는 식별 불가능성(non-identifiability)을 추론하기 위한 충분 조건(sufficient conditions)을 제공하고, 식별 가능한 인과 효과에 대해 해당 식별 함수(identifying functional)를 구하는 방법을 제시합니다. 역학(epidemiology) 및 사회과학(social science)의 예시를 통해 연구 결과의 활용성을 입증합니다.