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.
그래프 기반 검색-증강 생성(GraphRAG)은 구조화된 지식에 답변을 그라운딩하지만, 현재 시스템들은 개체와 관계를 전부 추출하여 그래프의 크기와 구축 비용이 쿼리가 요구하는 추론이 아니라 말뭉치 길이에 따라 스케일링되는 그래프를 생성한다. 우리는 HCG-RAG(Hierarchical Causal Graph RAG)를 제안한다. 이는 개방형 추출을 스키마 제약 인과 그래프로 대체하며, 자동화된 파이프라인이 말뭉치를 인과 변수의 고정된 타입 어휘로 증류하고 이를 바탕으로 컴팩트한 2계층 그래프를 구체화한다. 우리의 스키마 제약 그래프는 답변 품질에서 개체-관계 기준선과 동등한 수준을 훨씬 적은 비용으로 달성한다: 노드 수 3-20배 감소, LLM 사용이 가장 많은 기준선(MS-GraphRAG) 대비 구축 시 LLM 호출 8-135배 감소, 그리고 도메인 전문가가 검토, 수정, 확장할 수 있을 정도로 컴팩트한 그래프이다. 의료 및 임상 벤치마크에서, 신경과 전문의가 검증한 간질 데이터셋을 포함하여, HCG-RAG는 최고의 개체-관계 시스템과 동등하거나 그 이상의 성능을 보인다. 어블레이션(ablation)은 인과 그래프를 구조화된 검색 필터로 분리하여, 임베딩만 사용하는 검색 대비 +6퍼센트포인트(pp)의 기여를 보인다. 발견 가능한 계층적 인과 구조를 갖는 모든 도메인에서, 더 높은 수준의 조직화를 부과하는 방법만이 평탄한 개체-관계 검색을 능가하며, 이는 그래프에 무엇을 담느냐가 노드 수보다 더 중요함을 시사한다.