PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.13004v3cs.LG

연합 그레인저 인과성 학습에서의 불확실성 정량화

Uncertainty Quantification in Federated Granger Causality Learning

그레인저 인과성(Granger causality)은 다변량 시간 시계열(time series)에서 예측적 의존 관계를 식별한다. 데이터를 공유할 수 없는 분산 환경에서, 연합 인과 학습(federated causal learning)은 공동 분석을 가능하게 한다. 대부분의 연합 인과 학습 기법은 클라이언트들이 동일한 특성(feature)을 관측한다고 가정하며, 인과 관계를 점 추정값(point estimate)으로 추론할 뿐 공식적인 불확실성 정량화는 거의 수행하지 않는다. 이러한 가정은 클라이언트들이 서로 다른 특성을 관측하며 목표가 클라이언트 간 의존 관계(엣지, edge)를 추정하는 것인 많은 산업 시스템에서는 성립하지 않는다. 이러한 의존 관계는 반복적인 클라이언트-서버 상호작용(iteration)을 통해 간접적으로 추정되어야 한다. 클라이언트 데이터와 모델 매개변수에서 발생하는 불확실성은 이 과정을 통해 전파되며, 이로 인해 점 추정값만으로는 클라이언트 간 엣지를 평가하기에 충분하지 않다. 본 논문은 이러한 불확실성 전파를 특성화하고, 엣지별 분산(variance)을 이용하여 실제 클라이언트 간 의존 관계와 허위로 추정된 엣지를 구별한다. 우리는 클라이언트 데이터의 변동성에서 발생하는 우연적 불확실성(aleatoric uncertainty)과 모델 매개변수에서 발생하는 인식적 불확실성(epistemic uncertainty)을 고려한다. 우리는 클라이언트-서버 반복 과정에 대한 닫힌 형태(closed-form)의 분산 재귀식과 정상상태(steady-state) 분산을 도출한다. 우리는 초기 모델 매개변수 불확실성의 전파된 기여가 점근적으로 소멸함을 증명한다. 이러한 분산들은 통계적으로 원칙에 기반한 클라이언트 간 엣지 선택을 가능하게 한다. 합성 실험(synthetic experiment)은 우리의 접근법이 경쟁 베이스라인(baseline)보다 클라이언트 간 엣지 복원 성능을 향상시킨다는 것을 보여준다. 실제 산업 데이터셋(dataset)에서, 이 방법은 해석 가능한 의존 구조를 제공하면서도 높은 근본 원인(root-cause) 식별 정확도를 달성한다.

arXiv:2407.09632v3stat.ML공식 코드 · Papers with Code

극단값에서의 그레인저 인과성

Granger Causality in Extremes

시계열의 극단적 사건에서 인과 관계를 식별하기 위해 인과 꼬리 계수(causal tail coefficient)를 활용한 그레인저 인과성(Granger causality in extremes) 프레임워크를 제안하며, 고전적 그레인저 인과성·Sims 인과성·구조적 인과성과의 동치 관계를 수립하고 숨겨진 교란 변수에 대한 강건성을 증명하였다. 모델 비의존적 추론 방법은 비선형·고차원 시계열을 처리하며 기존 최신 방법(PCMCI 등) 대비 성능과 속도 모두에서 우수함을 시뮬레이션 및 금융·수문기상 실제 데이터 적용을 통해 검증하였다.

arXiv:2606.22230v1econ.EM

분포적 그레인저 인과성: 식별, 순차 추론, 및 적응적 검정

Distributional Granger Causality: Identification, Sequential Inference, and Adaptive Testing

가우시안(Gaussian) 설정 이외에서는 시계열 예측 의존성이 조건부 평균뿐 아니라 조건부 척도, 꼬리 행동, 비대칭성 등 분포적 특성으로도 나타날 수 있어 단일 그레인저(Granger) 검정으로는 완전한 특성화가 어렵다. 유한한 채널별 제약으로 분포적 그레인저 인과성을 식별하는 프레임워크를 제시하고, alpha-investing을 통해 패밀리와이즈(familywise) 오류를 통제하는 적응적 순차 검정 절차를 개발하여 정책 불변 유효성과 오라클 벤치마크와 동등한 검정력의 점근적 효율성을 이론적으로 보장한다.

arXiv:2507.11178v3cs.LG

복잡한 산업 공정으로의 응용을 위한 그래디언트 기반 인과 발견 프레임워크

A Gradient-based Causal Discovery Framework with Applications to Complex Industrial Processes

심층 학습 기술의 발전과 함께 다양한 신경망 기반 그레인저 인과성 모델이 제안되었습니다. 이러한 모델들은 상당한 개선을 보여주었지만, 여러 한계점이 여전히 존재합니다. 기존 접근 방식 대부분은 구성요소별(component-wise) 아키텍처를 채택하여 각 시계열마다 별도의 모델을 구축해야 하므로 상당한 계산 비용이 발생합니다. 또한, 인과 관계를 추출하기 위해 신경망의 첫 번째 층 가중치에 희소성 유도 페널티를 부과하는 것은 모델이 복잡한 상호작용을 포착하는 능력을 약화시킵니다. 이러한 한계점을 해결하기 위해, 우리는 단 하나의 시계열 예측 모델만을 요구하며 그레인저 인과성을 추론하기 위해 모델의 입력과 출력 사이의 그래디언트에 $L_{1}$ 정규화를 적용하는 그래디언트 정규화 기반 신경망 그레인저 인과성(GRNGC)을 제안합니다. 더욱이, GRNGC는 특정 시계열 예측 모델에 종속되지 않으며 KAN, MLP, LSTM과 같은 다양한 아키텍처로 구현될 수 있어 향상된 유연성을 제공합니다. DREAM, Lorenz-96, fMRI BOLD, CausalTime에 대한 수치 시뮬레이션 결과, GRNGC는 기존 베이스라인보다 우수하며 계산 오버헤드를 크게 줄이는 것으로 나타났습니다. 한편, 실제 DNA, Yeast, HeLa, 방광 요로 상피암 데이터셋에 대한 실험은 유전자 조절 네트워크를 재구성하는 데 있어 모델의 효과성을 추가로 검증합니다.