PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13520v1cs.AI

인과적 추상화에서의 인과 효과 식별 가능성: 기준들의 엄격한 계층 구조

Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria

관측 데이터로부터 인과 효과(causal effect)를 식별하는 작업은 일반적으로 완전히 명시된 인과 그래프를 필요로 하지만, 이러한 가정은 복잡하거나 고차원인 환경에서는 비현실적인 경우가 많습니다. 인과적 추상화(causal abstraction)는 부분적인 인과 정보만을 유지하여 호환 가능한 인과 그래프들의 동치류를 정의함으로써 이러한 한계를 해결합니다. 본 논문에서는 개별 인과 다이어그램 수준이 아니라 이러한 그래프 집합 수준에서 인과 효과 식별 가능성(identifiability)을 직접 연구합니다. 우리는 이 설정에서 식별 가능성에 대한 여러 개념을 공식화하고, 이들의 관계와 차이점을 명확히 하는 계층 구조로 정리합니다. 특히, 인과 효과가 호환 가능한 모든 그래프 전반에 걸쳐 균일하게 성립하는 단일 인과적 유도를 허용하지 않고도 그래프 집합에 대해 식별될 수 있음을 규명합니다. 이러한 결과는 기존 문헌의 공백을 드러내고 모호성을 해소하는 데 기여합니다.

arXiv:2508.11214v2cs.LG

인과적 추상화가 계산적 설명을 뒷받침하는 방식

How Causal Abstraction Underpins Computational Explanation

인과적 추상화(causal abstraction) 이론을 활용해 물리적 시스템이 특정 계산을 어떻게 구현하는지를 설명하는 철학적 프레임워크를 제안하며, 인공 신경망의 기계론적 해석 가능성(mechanistic interpretability) 연구를 통해 계산·인지 철학의 고전적 문제들이 현대 딥러닝에서 재등장함을 보인다. 표상(representation)의 역할과 허용 가능한 인과적 매핑의 조건을 검토하고, 이러한 문제들이 일반화(generalization) 및 예측과의 연관 속에서 가장 생산적으로 탐구될 수 있다고 주장한다.

arXiv:2606.19594v1cs.LG

비지도 인과 추상화 발견

Unsupervised Causal Abstractions Discovery

인과 추상화(causal abstractions)는 고수준 구조적 인과 모델(SCM)이 저수준 SCM의 개입(intervention) 행동을 포착하는 조건을 형식화합니다. 이 개념의 기존 응용은 대부분 가설 검증 패러다임을 따르는데, 전문가가 후보 고수준 모델을 제안한 다음 저수준 시스템이 이를 구현하는지 평가하는 방식입니다. 우리는 저수준 측정값으로부터 직접 고수준 모델을 학습하는 상호 보완적인 문제를 연구합니다. 우리의 기여는 저계수 인과 발견(low-rank causal discovery)의 가설을 활용하며, 다음과 같이 요약할 수 있습니다: (1) 저계수 그래프(low-rank graph)에 의해 생성된 관측값이 인과 추상화(causal abstraction)를 구성하는 잠재 변수(latents)를 유도함을 보이고, (2) 이러한 잠재 변수에 대한 식별 가능성(identifiability) 결과를 제공하며, (3) 이 고수준 SCM을 학습하기 위한 실용적인 목적 함수(objective)를 제안합니다.