DCD-PFN: 인과 발견을 위한 분리 인식 파운데이션 모델
DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery
인과 발견은 복잡한 데이터 생성 메커니즘을 이해하는 데 핵심적이지만, 전통적인 알고리즘은 고도로 비선형이고 노이즈가 많은 시스템에서 어려움을 겪거나 심각한 계산 병목에 시달리는 경우가 많다. Prior-Data Fitted Networks(PFN)에 기반한 최근의 테이블형 파운데이션 모델은 뛰어난 제로샷 추론 능력을 보여주었지만, 명시적 구조적 인과 발견에 대한 잠재력은 아직 충분히 탐구되지 않았다. 이 격차를 메우기 위해, 우리는 인과 발견을 위한 분리 인식 파운데이션 모델인 DCD-PFN을 제안한다. DCD-PFN은 전역 그래프 재구성을 직접 상환(amortize)하는 대신, 분리 기반 패러다임을 통해 국소 인과 발견에 집중한다. 다양한 합성 구조적 인과 모델(SCM)에 대한 사전학습을 통해, 모델은 Markov 경계(MB) 식별을 가능하게 하는 샘플별 분리 가중치를 학습한다. 더 나아가, 병렬화된 국소 발견을 활용함으로써 DCD-PFN은 분리 기반 인과 발견의 이론적 토대에 기반을 두면서 전역 인과 그래프를 효율적으로 재구성한다. 실험 결과, 우리의 파운데이션 모델은 강건한 제로샷 일반화를 달성함을 보여준다.