PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.22910v1cs.LG

방향성 비순환 그래프를 넘어서: 인과적 영과 인과 미분방정식

Beyond Directed Acyclic Graphs: Causal Zeros and Causal Differential Equations

Pearl의 구조적 인과 모델(SCM) 프레임워크는 방향성 비순환 그래프(DAG)와 do-연산(do-calculus) 위에 구축되어 있으며, 인과 추론을 위한 지배적인 형식 언어이다. 그러나 이는 두 가지 구조적 제약을 지닌다: 모든 관계는 사전에 방향성 인과 간선으로 지정되어야 하고, 피드백 순환은 금지된다. 본 논문은 이러한 제약을 압박하는 두 클래스의 현상을 검토한다. 첫째, 이상기체 법칙이 대표적인 경우인 대칭적 물리·경제 제약은 고유한 인과 방향을 갖지 않는다. 방향은 개입(intervention) 하에서만 나타나며, 어떤 변수를 풀 대상으로 할지는 개입의 일부로 지정되어야 한다. 우리는 활성화 연산자(activation operator)를 추가하여 확장 인과 모델(Extended Causal Model) 내에서 이러한 제약을 인과적 영(causal zeros)으로 형식화하며, 이는 국소 가해성(local solvability)과 그래프 허용성(graph-admissibility) 조건을 따른다. 둘째, 여기서 고려하는 유한 전파 상태공간 시스템 클래스에 대해, 겉보기 순간 순환을 억압된 시간의 인공물로 취급하고 인과적 영과 피드백 모두를 인과 미분방정식(CDE)에 기반한다. 이들에서 과도(transient) 영역은 시간 전개된 비순환 인과 과정이며, 인과적 영은 끌어당기는 평형 다양체의 정의 함수로 나타난다. 주기적·혼돈 attractor는 동일 역학의 추가 영역을 정의하며, attractor-상대 개입(attractor-relative intervention)을 통해 다룬다. 우리는 확장된 do-연산, 식별 가능성 조건, 반사실 의미론, 및 열린 문제들을 제시한다.

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.