비선형 메커니즘과 잠재 교란 변수가 있는 인과 발견은 여전히 어려운 과제이다. 기존 방법은 선형성 가정이나 인과적 충분성에 의존하는 경우가 많아 적용 범위가 제한된다. 우리는 luckiness normalized maximum likelihood(LNML) 코드 길이를 사용하여 잠재 교란 변수와 유연한 비선형 메커니즘을 수용하는 MDL 기반 인과 발견 프레임워크를 제안한다. 코드 길이 기반 모델 선택을 보완하기 위해, 잠재 교란 후보를 식별하는 기준으로 $\Delta$-의사 공선성($\Delta$-pseudo-collinearity)을 도입한다. 우리는 잠재 교란 변수가 있을 때 방향성 코드 길이 격차 $\Delta$가 표본 크기에 대해 많아야 선형적으로 증가하고 잠재 인과 메커니즘이 비슷해질수록 감소하는 상한을 가짐을 이론적으로 보이며, 이는 제안한 기준을 뒷받침한다. 이 정식화에 기반하여 의사 공선성 유도 인과 발견(Pseudo-Collinearity Guided Causal Discovery, PCG-CD)이라는 탐욕 알고리즘을 개발한다. 합성 및 실제 데이터셋에 대한 실험은 PCG-CD가 방향이 있는 인과 관계를 복원하고 잠재 교란 후보를 식별하는 능력을 보여 주는 한편, 잠재 교란 변수 판별의 한계도 드러낸다.
잠재 교란 변수(latent confounder)가 존재하는 선형 비가우시안 비순환 모델(LvLiNGAM)에서 정확한 유향 비순환 그래프(DAG)를 복원하는 문제에 대해, 고차 누율(higher-order cumulant)을 활용하여 잠재 변수 수에 제한 없이 가장 희소한(sparsest) DAG를 유한 표본에서 직접 복원하는 알고리즘을 제안한다. 기존 ReLVLiNGAM의 로컬 제약을 제거하고 관측 변수를 직접 잔차화하는 갱신 규칙을 도입함으로써, 시뮬레이션 및 실제 데이터 실험에서 기존 방법 대비 우수한 유한 표본 성능을 달성하였다.
장애의 원인을 찾는 근본 원인 분석(RCA)은 이상(anomaly)의 근본 원인을 파악하고 복잡한 시스템의 신뢰성을 유지하는 데 필수적이다. 인과 이론은 데이터 기반 RCA를 발전시켜 왔지만, 기존 프레임워크는 인과적 충분성(causal sufficiency)을 가정하여 실세계 환경에서 흔히 존재하는 관측되지 않은 잠재 변수를 고려하지 못한다. 이 공백을 해소하기 위해 PAG-RCA를 제안한다. 이 프레임워크는 시스템 장애를 부분 조상 그래프(PAG) 위의 파라미터화된 개입(parametric interventions)으로 모델링하여, 잠재 변수가 존재하는 상황에서 RCA를 수행한다. PAG 상에서 인과 효과를 정량화하는 표준 인과 식별(causal identification) 알고리즘을 사용하여 장애의 원인을 찾는다. 효과가 식별 가능(identifiable)한 경우, 후보 근본 원인들은 정확한 개입 효과에 기반하여 순위가 매겨진다. 효과가 구조적으로 식별 불가능(structurally unidentifiable)한 경우, 본 프레임워크는(RCA 문헌에서 최초로) 부분 식별(partial identification)을 통합하여 해석적 인과 한계(analytical causal bounds)를 이용해 후보를 평가하고 점수화한다. 잠재 변수와 부분 식별을 동시에 통합함으로써, 본 프레임워크는 데이터 부족 및 잠재 변수 시나리오처럼 기존 방법이 성능이 저하되는 환경에서도 강건한 RCA를 보장한다. 합성 데이터, 마이크로서비스 이상 탐지 벤치마크, 전력망 연쇄 장애에 대한 평가는 PAG-RCA가 최신 데이터 기반 베이스라인을 일관되게 능가함을 보여준다. 데이터 부족 상황에서의 데이터 기반 RCA 성능을 향상시킴으로써, 본 방법론은 부분적으로 관측 가능한 복잡한 네트워크에서의 신뢰할 수 있는 자동 진단을 발전시킨다.