PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14940v2cs.LG

간섭과 잠재 교란 하에서 순차 설정에 대한 인과 추론

Causal Inference for Sequential Settings under Interference and Latent Confounding

본 연구는 순차적·관측적 설정에서 결과 간섭(outcome interference) 하의 인과 추론을 다룬다. 구체적으로, N개 단위에 대한 이진 결과가 T개 시간 단계에 걸쳐 Markovian인 설정을 고려한다. 각 시간 단계에서 N개 단위의 결과는 Ising 모델을 통해 포착되는 의존성을 갖으며, 각 결과는 또한 해당 처치(treatment)의 효과와 잠재 교란 요인(latent confounders)의 영향을 반영하는 외부장(external field)의 영향을 받는다. 패널 데이터(panel data) 문헌과 유사하게, 이러한 잠재 교란 요인은 저계수(low-rank) 요인 구조를 갖도록 모델링된다. 우리의 데이터는 이러한 고차원 분포로부터의 단일 샘플이다. 관심 있는 인과량을 추정하기 위해, 모델 매개변수를 학습하기 위한 최대 유사-가능도 추정(Maximum Pseudo-Likelihood Estimation, MPLE)에 기반한 계산 효율적인 방법을 제시한다. 완화된 가정 하에서, 매개변수 추정에 대한 비점근(non-asymptotic) 일관성을 확립하고, 이것이 학습된 모델로부터 샘플링한 후 관심 있는 인과량의 충실한 추정으로 이어짐을 보인다. 합성 실험과 함께, 미국 전역 카운티(county) 내 백신 접종률이 COVID-19 사망률에 미치는 인과 효과를 조사하는 실세계 사례 연구를 통해 방법의 효과를 입증한다.

arXiv:2605.17705v2stat.ML

비교환 패널 데이터를 위한 온라인 등분산 예측

Online Conformal Prediction for Non-Exchangeable Panel Data

본 논문에서는 부분적으로 관측되는 패널 데이터에서의 온라인 등분산 예측(online conformal prediction)을 연구합니다. 이 환경에서는 각 대상 결과(target outcome)가 나타나기 전에 동료 결과(peer outcome)들의 새로운 횡단면이 먼저 관측되며, 대상 피드백은 간헐적이거나 부재할 수 있고, 개체(unit)나 라운드 모두 교환가능성(exchangeability)을 만족할 필요가 없습니다. 본 연구는 개체 이력으로부터 학습된 유사도 가중치와 적응형 대상 맞춤 미적중률(miscoverage level)을 결합한 가중치 기반 시계열 분위수 조정(Weighted Temporal Quantile Adjustment, W-TQA) 방식을 제안합니다. 이론적으로 대상-동료 간 불일치(mismatch)와 비공개 라운드에서의 커버리지 모두 식별 가능하지 않음을 증명함으로써, 개체 간 유사도 및 피드백 메커니즘에 대한 가정을 피할 수 없음을 밝힙니다. 또한 이러한 불일치를 바탕으로 과거 조건부 미적중률의 상계를 도출하고, 프로파일 유사도 가정하에서 가중치 학습 비용을 수량화하며, 가장 큰 동료 점수를 대체값으로 사용하는 실제 구현 절차가 완전 무작위 결측(MCAR) 피드백 및 캘리브레이션 패널의 실행 가능성 조건하에서 장기 평균 커버리지를 달성함을 보입니다. 합성 패널 및 실제 비동기 미국-도쿄 주식 패널을 포함한 4개의 실제 패널 데이터 실험에서, W-TQA는 모든 패널에서 가장 낮은 커버리지를 보였던 대상 개체들에 대해 가장 높은 커버리지를 달성했습니다. 유사도 가중치는 대상 피드백이 희소할 때 가장 크게 기여하는 반면, 시계열 적응은 피드백이 축적될수록 더 큰 효과를 보였습니다.

arXiv:2607.06368v1econ.EM

요인 증강 머신러닝 패널 회귀

Factor-Augmented Machine Learning Panel Regressions

공통 충격으로 인한 횡단면 의존성이 있는 고차원 패널 데이터 환경에서, MIDAS 집계와 잠재 요인(latent factor)을 결합한 요인 증강 희소 그룹 LASSO(sparse-group LASSO) 추정량의 점근 이론을 개발한다. 이 추정량은 혼합 빈도 데이터의 그룹 구조를 활용하여 예측과 추정 모두에서 표준 LASSO를 능가할 수 있음을 이론적으로 보인다.

arXiv:2606.11220v1cs.CL

LifeSentence: 언어 모델은 종단 패널 데이터로부터 인생 과정 궤적을 인코딩할 수 있다

LifeSentence: Language models can encode human life course trajectories from longitudinal panel data

인생의 결과를 예측하는 것은 개인이 어떻게 장수하고 건강한 삶을 영위하는지에 대한 통찰을 얻는 데 중요하다. 기존 통계적 접근 방식은 제한된 정확도를 보이는데, 이는 아마도 인생 과정의 순차적 구조를 무시하기 때문일 것이다. 트랜스포머(transformer) 아키텍처와 같은 현대적 방법들은 대부분의 종단 패널 연구가 갖추지 못한 대규모 학습 데이터를 필요로 한다. 여기서 우리는 대규모 언어 모델(LLM)과 종단 패널 데이터를 연결하는 인생 과정 추론 모델인 LifeSentence를 소개한다. 각 인생 사건을 구조화된 자연어 기록으로 표현하고, 예측, 강건성(robustness), 추론을 아우르는 18개 과제 평가 분류법에 걸쳐 사전학습된 240억 매개변수 언어 모델을 인스트럭션 튜닝(instruction tuning)함으로써, LifeSentence는 패널 데이터를 사전학습 동안 이미 인코딩된 분포 지식으로 보완한다. 독일 사회경제 패널(German Socio-Economic Panel)의 약 65,000명의 개인으로 학습되었는데, 이는 이전 트랜스포머 기반 접근 방식보다 약 45배 적은 수치이다. LifeSentence는 모든 과제 계열에서 고전적이고 심층 학습(deep learning) 기반의 기준 모델(baseline)을 능가하며, 최상의 기준 모델 대비 결합된 사건 및 시점 예측에서 3배의 향상을 달성하고, 타임스탬프가 제거된 사건 집합에서 연대기적 순서를 재구성할 때 91.2%의 켄달의 타우(Kendall's tau)를 기록했다. 명시적인 지도(supervision) 없이도, 이 모델은 이산적인 사건 순서만으로 교육 프리미엄, 성별 임금 격차, 모성 페널티(motherhood penalty)를 포함한 문서화된 사회 계층화 패턴을 복원한다. 자연어 인터페이스는 초기 생애 역사를 특정 후기 생애 종점(endpoint)과 연결하는 것과 같은 질적으로 새로운 연구 질의를 더욱 가능하게 하여, LifeSentence를 예측 도구이자 인생 이력에 대한 반사실적 탐험(exploration)을 위한 탐침으로 자리매김한다.

arXiv:2606.07093v1cs.LG

개발도상국 여성 고용 참여가 출산율에 미치는 영향 규명: 패널 데이터 접근법

The discovery of the effects of women employment participation on the fertility of developing countries: A panel data approach

개발도상국의 출산율 추세는 지난 수십 년간 크게 하락했으며, 동시에 직장에서 여성의 역할은 개선되었다. 개발도상국의 노동시장 여성 참여율이 총출산율에 미치는 인과 관계를 더 잘 이해하기 위해, 본 논문은 1991-2018년 기간 115개 개발도상국 데이터셋을 네 대륙 그룹(아프리카, 북/남미, 아시아/태평양, 유럽)으로 나눈 뒤, 누락된 바이어스를 완화하기 위해 데이터 기반 패널 데이터 계량경제학 절차를 적용한다. 결과에 따르면 북·남미 대륙 여성의 출산 행동은 직업 선택의 영향을 받는 한편, 다른 지역 사회에서는 자녀를 둘 것인지 고민할 때 다른 요인이 더 중요할 수 있다. 결론적으로 정책 입안자들은 본 논문을 참고하여 출산 결정에 더 많은 인센티브를 제공하는 정책을 수립할 수 있으며, 해당 분야의 후속 연구에서는 개발도상국의 가족 정책과 부계 거주(patrilocality)를 중요한 데이터로 고려해야 한다.