PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12219v1econ.EM

잠재 회귀변수의 다중 비선형 측정에 대한 부분 식별

Partial Identification with Multiple Nonlinear Measurements of a Latent Regressor

우리는 회귀변수가 잠재 변수이며, 잠재 변수의 매끄럽지만 비선형일 수 있는 함수인 다중의 노이즈가 섞인 측정치를 통해서만 관측되는 경우의 선형 회귀를 연구한다. 이 문제는 인공지능에 대한 직업적 노출 측정에서 특히 두드러지며, 경쟁하는 점수들은 하류 추정치가 11배까지 차이나게 만든다. 어떤 단일 측정치에 대한 회귀도 구조적 계수가 아니라 출처별 계수를 복원한다. 우리는 합의 측정 함수가 선형이어야 한다는 요건으로 잠재 척도를 고정하고, 기울기에 대한 출처 간 남은 곡률 이질성을 경계한다. 이 경계 하에서 구조적 계수는 대칭적 교차-출처 추정량을 중심으로 한 폐형 구간 안에 놓인다. 이 구간은 알려지지 않은 출처 적재(loading)에 불변이며, 그 반폭은 곡률 경계에 대해 2차이고 같은 차수까지 날카롭다. 적어도 4개의 측정치가 있으면, 분할-도구 보조 회귀를 통해 출처들의 결합분포로부터 경계를 추정할 수 있으며, Stoye 임계값을 사용하는 Imbens-Manski 신뢰구간은 점 식별 경계에서도 포함하여 곡률 클래스 전체에 대해 균일한 포괄률(uniform coverage)을 달성한다. 응용에서는 6개의 노출 측정치를 2015년부터 2024년까지 888만 person-year 관측치로 구성된 American Community Survey 패널에 매칭한다. 2022년 이후 고용 계수는 언어 모델 측정치와 Webb 특허 텍스트 측정치 사이에서 부호가 바뀌며, 사전(ex ante) 요인분석 규칙은 Webb 측정치를 별개의 구성개념(construct)으로 분리한다. 유지된 5개 출처는 적재 불변 합의 계수 -0.239를 산출하며, 부분 식별 반폭은 점 추정치의 1.23%이거나, 곡률에 대한 단측 95% 상한에서는 1.88%이다. 우리는 응용을 AI 대체(displacement)에 대한 인과 추정이 아니라 측정 조정(reconciliation)으로 해석한다.

arXiv:2607.04957v1stat.ME

주변 모멘트 정보를 활용한 인과 효과 중심 모멘트의 식별 및 경계 추정

Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information

개별 인과 효과(ICE)의 중심 모멘트(분산, 왜도, 첨도)를 추정하려면 기존 방법은 잠재적 결과(PO)의 완전한 주변 분포가 필요했으나, 이 연구는 더 쉽게 구할 수 있는 주변 중심 모멘트 정보만으로 ICE의 중심 모멘트를 식별·경계 추정하는 방법을 제시한다. IED(Independent Effect Deviation) 조건 하에서의 식별 결과와 날카로운 경계(sharp bounds)를 이론적으로 도출하고, 두 가지 실증 사례 연구를 통해 실용성을 입증하였다.

arXiv:2606.20912v1cs.AI

부분 조상 그래프를 이용한 잠재 교란변수 환경에서의 근본 원인 분석

Root Cause Analysis with Latent Confounders using Partial Ancestral Graphs

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.