PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09449v1cs.AI

베이지안 인과 발견은 어떻게 실패하는가? 잠재 교란 하의 선형 가우시안 네트워크에서 구조적 결과 특성화

How Does Bayesian Causal Discovery Fail? Characterising Structural Consequences in Linear Gaussian Networks under Latent Confounding

베이지안 인과 발견은 사후 추론을 통해 유향 비순환 그래프(DAG)에 대한 인식론적 불확실성을 정량화하는 능력으로 널리 활용된다. 그러나 잠재 교란(latent confounding) 하에서의 동작은 여전히 잘 이해되지 않고 있는데, 기존 연구들은 교란이 식별 가능성(identifiability)을 깨뜨린다는 점을 지적하는 데 그칠 뿐, DAG에 대한 사후 분포가 어떻게 반응하는지는 특성화하지 않는다. 본 연구에서는 선형 가우시안 인과 모델에서 잠재 교란 하의 사후 동작을 분석하며, 정확히 두 관측 변수 간의 가산 잠재 교란(additive latent confounding)에 초점을 맞춘다. 우리는 점수 함수(score function)가 교란된 변수들 사이에 허위 에지(spurious edge)를 포함하는 그래프를 선호하게 되는 임계 상관 임계값을 도출하고, 이 임계값이 표본 크기가 커질수록 감소함을 보인다 -- 즉, 더 많은 데이터는 허위 에지가 선호되기 위해 필요한 상관의 크기를 낮춘다. 이 임계값을 초과하는 경우, 교란된 변수 주변의 국소 구조에 의해 결정되는 두 가지 뚜렷한 사후 실패 영역(posterior failure regimes)을 특성화한다. 우리의 발견은 다양한 그래프 구조에 대한 정확한 사후 계산을 통해 뒷받침되며, 예측된 두 실패 영역 모두를 실증적으로 보여준다.

arXiv:2606.19610v1cs.LG

리 괄호 기하학을 통한 잠재 교란 인과 발견

Latent Confounded Causal Discovery via Lie Bracket Geometry

최근 Kan-Do-Calculus (KDC)에 관한 연구는 인과 추론(causal inference)에서 수동적 관찰과 능동적 개입 사이의 경계가 범주론적 쌍수반(bi-adjunction)임을 확립했으며, 여기서 개입은 왼쪽 칸 확장(left Kan extensions)으로, 조건화는 오른쪽 칸 확장(right Kan extensions)으로 모델링됩니다. 본 논문은 KDC의 정보 기하학적 및 범주론적 결과를 바탕으로, 잠재 교란(latent confounding) 환경에서 작동하는 두 가지 인과 발견 알고리즘을 소개합니다. 매끄러운 통계적 설정에서 관찰 및 개입 측도 사이의 라돈-니코딤 도함수(Radon-Nikodym derivatives)는 국소적 인과 벡터 장을 유도합니다. 이 필드들이 리 괄호(Lie brackets) 하에서 닫히지 못하는 실패는 계산 가능한 프로베니우스 잔차(Frobenius residuals)가 되며, 이를 가시적 적분 가능성의 실패 및 잠재적이거나 모델링되지 않은 구조의 증인으로 해석합니다. 첫 번째 알고리즘인 BRIDGE(Bracket Residuals for Interventional Discovery and Geometric Estimation)는 개입 밀도 또는 라돈-니코딤 비율 엔진을 기하학적 스크린과 결합하여 높은 재현율(recall)의 허용 가능한 화살표 집합을 제안하고, 닫히지 않는 가시적 쌍을 잠재적 장애 후보로 식별한 뒤 축소된 집합을 후속 점수 기반 또는 미분 가능 발견 루틴으로 전달합니다. 두 번째 알고리즘 기여인 Spectral Kan-Do Flow Matching(SKFM)은 분할 상환(amortized) 개입 필드를 학습하고 잠재 곡률을 스펙트럼 방식으로 분해하여, BRIDGE가 가리키는 직접적인 리 공간(Lie-space) 끝점을 드러냅니다. 상세한 실험 결과는 두 알고리즘 모두 가능한 DAG(방향성 비순환 그래프)의 초지수적 공간을 여러 차수만큼 축소하면서 잠재 교란 변수가 있는 인과 모델을 발견할 수 있음을 보여줍니다. 본 논문은 잠재 구조가 개입 유도 흐름의 기하학으로부터 직접 추론되는 인과 발견의 새로운 패러다임을 제시합니다.