PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02221v1q-bio.NC

인과 발견을 통해 밝혀낸 영국 바이오뱅크(UK Biobank) 내 신체 활동과 치매 위험을 연결하는 경로

Causal discovery identifies pathways linking physical activity to dementia risk in the UK BioBank

신체 활동(Physical Activity, PA)은 일관되게 치매 위험 감소와 연관되어 있으나, 신체 활동과 치매 예방을 연결하는 메커니즘은 여전히 완전히 이해되지 않았습니다. 본 연구에서는 영국 바이오뱅크(UK Biobank)의 60세 이상 고령자 42,293명을 대상으로 대규모 언어 모델(LLM) 유도 인과 발견(causal discovery)과 매개 분석(mediation analysis)을 통합하여, 객관적으로 측정된 중강도 및 고강도 신체 활동(MVPA)과 치매 위험을 잇는 경로를 체계적으로 식별했습니다. 행동, 심리, 기능 및 임상 영역 전반에 걸쳐, 인과 발견은 우울증, 기능적 능력, 흡연 행동, 고혈압, 심혈관 질환, 만성 콩팥병, 뇌 손상을 거쳐 높은 MVPA가 낮은 치매 위험으로 이어지는 상호 연결된 경로를 일관되게 확인했습니다. 연쇄 매개 분석에서는 우울증이 중심 경로로 확인되었으며, 이는 MVPA와 치매 위험 간 전체 연관성의 15.1%를 설명했습니다. 성별 계층화 분석에서는 뚜렷한 기전 패턴이 드러났는데, 여성은 주로 대사 및 기능적 경로를 보인 반면, 남성은 흡연 및 심혈관 질환과 관련된 행동 및 심혈관·대사 연쇄 반응을 보였습니다. 종합하면, 이러한 결과는 신체 활동과 치매 사이의 예방적 연관성이 단일 경로가 아닌 상호 연결된 행동, 심리 및 심혈관·대사 과정을 통해 매개됨을 시사합니다. 우울증은 두드러지면서도 잠재적으로 수정 가능한 경로로 나타났으며, 이는 신체 활동 증진과 정신 건강 및 심혈관 위험 관리를 결합한 치매 예방 전략 통합의 가능성을 강조합니다.

arXiv:2607.22640v1cs.CY

All of Us Research Program에서 주관적 인지 어려움의 환경·심리사회적 결정요인에 대한 AI 보조 인과 추론 및 매개 분석

AI-Assisted Causal Inference and Mediation Analyses of Environmental and Psychosocial Determinants of Subjective Cognitive Difficulties in the All of Us Research Program

단기 환경 노출은 인지 및 행동 결과와 연관된 것으로 보고되었지만, 많은 보고된 연관성은 더 넓은 지리적·맥락적 차이를 반영할 수 있다. All of Us Research Program(2018--2024)의 종단 데이터를 사용하여, 일별 기상 및 대기오염 노출을 반복 측정된 주의력 관련 및 주관적 인지 결과와 연결했다. 연관성은 pooled, 고정효과(fixed-effects), 시차(lagged), 이벤트 연구(event-study) 분석을 사용하여 평가했다. 잠재적 이질성과 잠재 심리사회적 구조를 탐색하기 위해 추가적인 머신러닝 분석을 수행했다. 2024 Behavioral Risk Factor Surveillance System(BRFSS)을 사용하여 재현 분석을 수행했다. 여러 환경 노출 지표는 pooled 분석에서 인지 결과와 작은 연관성을 보였지만, 대부분은 위치 내 시간적 변이를 통제한 후 상당히 약화되었다. 매개, 민감도, 머신러닝 분석은 유사한 결론을 도출했다. 반면, 정신건강 부담, 외로움, 사회적 기능은 주관적 인지 어려움과 일관되게 연관되어 있었으며 환경 노출보다 실질적으로 더 큰 효과 크기를 보였다. BRFSS에서도 유사한 패턴이 관찰되었다. 탐색적 AI 보조 분석은 1차 종단 분석과 대체로 일치하는 결과를 도출했다. 이 결과는 위치 내 변이를 통제한 후 단기 환경 교란은 인지 결과와 제한적인 연관성을 가질 수 있음을 시사하는 반면, 심리사회적 요인은 주관적 인지 부담과 더 일관되게 연관되는 것으로 보인다.

arXiv:2605.01765v2stat.ML

조건부 생성 모델링을 통한 분포적 인과 매개 분석

Distributional Causal Mediation via Conditional Generative Modeling

평균 효과 중심의 기존 매개 분석이 분포 형태 변화를 놓친다는 한계를 극복하기 위해, DCMA(Distributional Causal Mediation Analysis)는 조건부 생성 모델과 몬테카를로 순방향 시뮬레이션을 통해 처리 효과를 전체 결과 분포 수준에서 직접 경로·간접 경로·경로별로 분해한다. 에너지 거리와 Wasserstein 거리 등 풍부한 분포적 대조를 지원하며, 추정 오차가 개입적 결과 분포로 전파되는 방식을 분석적으로 분해하고 합성·실제 데이터 실험으로 유효성을 검증한다.

arXiv:2105.09254v4math.ST

연속형 처리에 대한 다중 강건 인과 매개 분석

Multiply Robust Causal Mediation Analysis with Continuous Treatments

많은 응용에서 연구자들은 처리(treatment) 또는 노출(exposure)이 관심 결과에 미치는 직접 및 간접 인과 효과에 관심을 가진다. 매개 분석(mediation analysis)은 이러한 인과 효과를 식별하고 추정하기 위한 엄밀한 프레임워크를 제공한다. 이진 처리의 경우, Tchetgen Tchetgen과 Shpitser(2012)는 관심 매개변수의 영향 함수(influence function)를 기반으로 직접 및 간접 효과에 대한 효율적인 추정량을 제시하였다. 이러한 추정량은 잡음 매개변수(nuisance parameters)에 대해 n의 제곱근보다 느린 수렴 속도를 허용하면서도 다중 강건성(multiple-robustness) 및 점근적 정규성과 같은 바람직한 특성을 지닌다. 그러나 연속형 처리가 포함된 환경에서는 강한 모수적 가정 없이 이러한 영향 함수 기반 추정량을 직접 적용하기 어렵다. 본 연구에서는 커널 평활화(kernel smoothing) 접근법을 활용하여 영향 함수 기반 추정 전략에서 영감을 받은, 연속형 처리 환경에 적합한 추정량을 제안한다. 제안하는 접근법은 교차 피팅(cross-fitting)을 채택하여 잡음 함수의 평활성 요건을 완화하고, 잡음 함수를 목표 매개변수보다 느린 속도로 추정할 수 있도록 한다. 또한 영향 함수 기반 추정량과 유사하게, 제안하는 추정량은 다중 강건성을 가지며 점근적으로 정규 분포를 따르므로, 모수적 가정이 정당화되지 않을 수 있는 환경에서도 추론이 가능하다.

arXiv:2606.24488v1cs.CV

RetiSEM: 단편화된 바이오메디컬 데이터를 위한 인과 모델 일반화

RetiSEM: Generalising Causal Models for Fragmented Biomedical Data

임상, 분자, 영상 변수들이 불완전하거나 공동으로 관측되지 않는 경우가 많아, 단편화된 바이오메디컬 데이터로부터 인과 모델을 학습하는 것은 어려운 과제이다. 본 논문에서는 제한된 멀티모달 자원 환경에서 인과 그래프 복원 및 매개 분석(mediation analysis)을 위한 도메인 제약 구조방정식 모델링(SEM) 프레임워크인 RetiSEM을 제안한다. 제안된 방법은 변수들을 생물학적으로 정보화된 블록으로 구성하고, 금지 엣지(forbidden-edge) 제약을 적용하며, 경로 수준의 효과를 총효과(TE), 자연 직접효과(NDE), 자연 간접효과(NIE) 성분으로 분해한다. 우리는 차원성, 비선형성, 인과 깊이, 경로 구조가 다양하게 변하는 열 가지 합성 벤치마크 시나리오와 NHANES 임상 변수와 외부에서 도출된 망막 표현을 결합한 단편화된 실제 데이터 환경에서 RetiSEM을 평가한다. 이 접근법은 합성 벤치마크 전반에 걸쳐 비제약 기준선 대비 낮은 구조적 오류와 높은 인과 정확도를 달성한다. 실제 데이터 분석에서 망막 변수들은 주로 하위 바이오마커 유사 지표로 작동하며, 보다 작지만 감지 가능한 간접 효과를 나타낸다. 이러한 결과는 제한된 자원의 바이오메디컬 AI 환경에서 구조화된 인과 가설을 검증하기 위한 해석 가능한 프레임워크로서 본 전략의 유효성을 지지한다. 본 연구의 코드 및 자료는 https://github.com/Inamullah-Colab/ReitSEM 에서 공개적으로 이용 가능하다.

arXiv:2606.17600v1stat.ME

은닉된 Recanting Witness(번복 증인)를 위한 근접 매개 분석

Proximal Mediation Analysis with Hidden Recanting Witnesses

매개 분석은 처치의 인과 효과를 직접 및 간접 경로로 분해하는 데 필수적입니다. 그러나 많은 실제 설정은 처치에 의해 유발된 매개변수-결과 교란 변수로 정의되는 Recanting Witness(번복 증인)가 존재하지 않거나 사전에 완전히 알려져 있다는 엄격한 가정에 의존합니다. 이러한 요구사항은 특히 측정의 어려움이나 프라이버시 제약으로 인해 해당 변수들이 관측 불가능한 상태로 남아 있을 때 종종 타당하지 않습니다. 본 논문에서는 근접 인과 추론을 활용하여 알려지지 않은 Recanting Witness(번복 증인)가 존재할 때 경로별 효과를 식별하는 문제를 해결하기 위한 세 가지 새로운 식별 전략을 개발합니다. 이를 바탕으로 효율적 영향 함수를 도출하고 근접 다중 강건 추정량을 제안하는 반모수적 추론 프레임워크를 개발합니다. 이 추정량은 적어도 한 세트의 방해 모델이 올바르게 지정된 경우 일치성을 유지합니다. 모든 방해 모델이 올바르게 지정되고 적절한 속도로 수렴할 때, 해당 추정량은 점근적으로 정규분포를 따르며 반모수적 효율성 경계를 달성합니다. 점 추정과 타당한 신뢰 구간 구성을 위해 미니맥스 최적화 기반 편향 제거 머신러닝 절차를 제공합니다. 제안된 방법들의 성능은 시뮬레이션 연구와 실제 데이터 적용을 통해 입증됩니다.

arXiv:2603.04109v2econ.EM

Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms

인과 분석(causal analysis)에서 개입(intervention)이나 처치(treatment)가 결과에 영향을 미치는 인과 기제(causal mechanisms)를 이해하는 것은 종종 핵심적인 관심사입니다. 본 논문에서는 (i) 공변량(covariates)에 조건부로 무작위 할당된 처치의 인과 효과가 관측된 중간 결과(매개변수(mediators) 또는 대리 결과(surrogate outcomes)라고 함)에 의해 완전히 매개되거나 독점적으로 작용하는지, 그리고 (ii) 서로 다른 매개변수를 통해 작용하는 다양한 인과 기제가 공변량에 조건부로 식별 가능한지를 평가하기 위한 검정을 제안합니다. 우리는 완전한 매개와 인과 기제의 식별이 모두 성립한다면, 조건부 무작위 처치는 매개변수와 공변량이 주어졌을 때 결과와 조건부 독립(conditionally independent)임을 보여줍니다. 또한, 우리는 무작위 할당되지 않은 처치가 있는 설정으로 프레임워크를 확장합니다. 우리는 이 경우 완전한 매개는 여전히 검정 가능하지만, 인과 기제의 식별은 더 이상 보장되지 않음을 보여줍니다. 우리는 고차원 공변량을 통합할 수 있고 특정 정칙 조건 하에서 $\sqrt{n}$-일치(root-n consistent)하고 점근적 정규성(asymptotically normal)을 갖는 검정을 구현하기 위한 이중 머신 러닝(Double Machine Learning) 프레임워크를 제안합니다. 마지막으로, 모성 정신 건강과 사회적 규범에 대한 무작위 실험을 재조명한 두 가지 실증 적용(empirical applications)과 함께, 우리 방법의 우수한 유한 표본 성능(finite-sample performance)을 입증하는 시뮬레이션 연구를 제시합니다.