연속 시간에서 식별 가능한 인과적 예측을 위한 관측 가능 신경망 상미분방정식
Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
연속 시간 순차적 의사결정 문제에서의 인과 추론(causal inference)은 잠재된 교란(hidden confounding)과 부분적으로만 관측되는 상태로 인해 어려움을 겪습니다. 본 연구에서는 명시적인 구조적 가정 하에 잠재 상태의 관측 가능성(observability)이 확보되면 잠재적 교란이 존재하더라도 연속 시간 조건부 전방문 조정(conditional front-door adjustment)을 통해 동적 처치 효과(dynamic treatment effects)를 식별할 수 있음을 보입니다. 또한 일반화된 조정 공식을 유도하고, 관측되지 않은 동시적 교란 요인들이 시간적으로 상관되지 않을 때 이 공식이 다루기 쉬운 상태 공간 공식으로 단순화됨을 입증합니다. 이 공식은 대안적인 처치 경로 하에서의 잠재적 결과 분포를 측정 모델, 잠재 동역학, 그리고 잠재 상태에 대한 필터링 분포를 통해 표현합니다. 본 논문에서는 인과적 예측을 위해 이러한 다루기 쉬운 조정을 구현하는 관측 가능한 표준형 기반의 신경망 상미분방정식(Neural ODE) 모델인 Observable Neural ODEs(ObsNODEs)를 제안합니다. ObsNODEs는 관측값으로부터 재구성 가능한 상태를 통해 연속 시간 동역학을 학습하여 다양한 대안적 처치 경로 하에서의 결과 예측을 가능하게 합니다. 합성 데이터, 준합성 데이터 및 실제 임상 데이터를 이용한 실험 결과, 외부 검증(external validation)을 포함하여 최근의 시퀀스 모델들 대비 뛰어난 성능을 입증합니다.