PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.26024v4cs.LG

예상되는 비대칭 기하학에 기반한 이변량 인과 방향성 식별

Identification of Bivariate Causal Directionality Based on Anticipated Asymmetric Geometries

이변량 수치 데이터에서 인과 방향성을 식별하는 것은 실질적으로 중요한 의미를 지닌 근본적인 연구 문제입니다. 본 논문에서는 조건부 분포를 고려하여 인과 방향을 식별하는 두 가지 대안적 방법인 (1) 예상 비대칭 기하학(Anticipated Asymmetric Geometries, AAG)과 (2) 단조성 지수(Monotonicity Index, MI)를 제시합니다. AAG 방법은 두 변수를 따라 실제 조건부 분포와 예상 조건부 분포를 비교합니다. 피어슨 상관계수, 코사인 거리, 헬링거 거리, 자카드 지수, 제프리스 발산, K-L 발산, K-S 거리, MAE, MSE, 상호정보량, 바서슈타인 거리 등 다양한 비교 지표를 평가했습니다. 예상 분포는 평균과 표준편차라는 이중 반응 통계량을 기반으로 정규분포로 추정되었습니다. MI 방법은 두 축을 따른 조건부 분포 그래디언트(gradient)의 계산된 단조성 지수를 비교하고 그래디언트 부호 변화 횟수를 나타냅니다. 두 방법 모두 이변량 데이터의 확률론적 특성을 가정하고 결과 변수 조건부 분포의 예상 단봉성을 활용합니다. 제안된 방법들은 직관적이며 식별 정확도에 영향을 미치는 하이퍼파라미터의 수가 제한적입니다. 주어진 하이퍼파라미터 세트에 대해 AAG와 MI 방법은 모두 고유하고 결정론적인 해를 제공합니다. 하이퍼파라미터 민감도를 다루기 위해 완전 요인 실험계획법(Design of Experiment)을 활용하여 튜닝을 수행했습니다. 그 결과, 튜빙겐(Tubingen) 실제 인과 관계 예제 99개 쌍에서 GRCI의 81.6% 및 CAREFL-H의 82.0%와 비교하여, AAG 방법이 단순 튜닝 시 82.7%, 크기 적응형 튜닝 시 84.4%의 최고 가중 정확도를 달성하며 MI보다 우수한 성능을 보이는 것으로 나타났습니다. 식별 방법의 결정력을 평가하기 위해 오분류 사례를 탐지하도록 입력 데이터의 대칭적 이변량 통계량에 의사결정나무를 적합했습니다.