PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19610v1cs.LG

리 괄호 기하학을 통한 잠재 교란 인과 발견

Latent Confounded Causal Discovery via Lie Bracket Geometry

최근 Kan-Do-Calculus (KDC)에 관한 연구는 인과 추론(causal inference)에서 수동적 관찰과 능동적 개입 사이의 경계가 범주론적 쌍수반(bi-adjunction)임을 확립했으며, 여기서 개입은 왼쪽 칸 확장(left Kan extensions)으로, 조건화는 오른쪽 칸 확장(right Kan extensions)으로 모델링됩니다. 본 논문은 KDC의 정보 기하학적 및 범주론적 결과를 바탕으로, 잠재 교란(latent confounding) 환경에서 작동하는 두 가지 인과 발견 알고리즘을 소개합니다. 매끄러운 통계적 설정에서 관찰 및 개입 측도 사이의 라돈-니코딤 도함수(Radon-Nikodym derivatives)는 국소적 인과 벡터 장을 유도합니다. 이 필드들이 리 괄호(Lie brackets) 하에서 닫히지 못하는 실패는 계산 가능한 프로베니우스 잔차(Frobenius residuals)가 되며, 이를 가시적 적분 가능성의 실패 및 잠재적이거나 모델링되지 않은 구조의 증인으로 해석합니다. 첫 번째 알고리즘인 BRIDGE(Bracket Residuals for Interventional Discovery and Geometric Estimation)는 개입 밀도 또는 라돈-니코딤 비율 엔진을 기하학적 스크린과 결합하여 높은 재현율(recall)의 허용 가능한 화살표 집합을 제안하고, 닫히지 않는 가시적 쌍을 잠재적 장애 후보로 식별한 뒤 축소된 집합을 후속 점수 기반 또는 미분 가능 발견 루틴으로 전달합니다. 두 번째 알고리즘 기여인 Spectral Kan-Do Flow Matching(SKFM)은 분할 상환(amortized) 개입 필드를 학습하고 잠재 곡률을 스펙트럼 방식으로 분해하여, BRIDGE가 가리키는 직접적인 리 공간(Lie-space) 끝점을 드러냅니다. 상세한 실험 결과는 두 알고리즘 모두 가능한 DAG(방향성 비순환 그래프)의 초지수적 공간을 여러 차수만큼 축소하면서 잠재 교란 변수가 있는 인과 모델을 발견할 수 있음을 보여줍니다. 본 논문은 잠재 구조가 개입 유도 흐름의 기하학으로부터 직접 추론되는 인과 발견의 새로운 패러다임을 제시합니다.