주민 신고로부터 도시 이벤트를 복원하기 위한 다중 태스크 반인과 학습
Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports
많은 실제 머신러닝 태스크는 관찰된 결과로부터 잠재적 원인을 추론(inference)해야 하는 반인과적(anti-causal) 성격을 띱니다. 실제로 우리는 구조적 의존성이 태스크 불변(task-invariant) 메커니즘과 태스크 특화(task-specific) 메커니즘의 결합으로 이루어진 여러 관련 태스크를 마주하는 경우가 많습니다. 본 논문에서는 이러한 태스크 간 불변성을 명시적으로 활용하여 결과와 교란 요인으로부터 원인을 추정하는 프레임워크인 다중 태스크 반인과 학습(Multi-Task Anti-Causal learning, MTAC)을 제안합니다. MTAC는 태스크 특화 편차를 가진 공유 백본을 통해 결과 생성 과정을 (i) 태스크 불변 메커니즘과 (ii) 태스크 특화 메커니즘으로 분해하는 구조 방정식 모델(SEM)을 학습합니다. 학습된 순방향 모델을 기반으로, MTAC는 학습된 구조 모델 하에서 잠재 메커니즘 변수와 원인 크기를 공동 최적화하여 원인을 복원하는 최대 사후 확률(MAP) 기반 추론을 수행합니다. 주차 위반, 방치된 부동산, 비위생적 환경이라는 세 가지 태스크에 걸쳐 주민 신고로부터 도시 이벤트를 복원하는 응용 분야에서 MTAC를 평가합니다. 맨해튼과 뉴어크에서 수집된 실제 데이터에서 MTAC는 강력한 베이스라인 대비 복원 정확도를 일관되게 향상시켜 최대 33.04%의 MAE 감소를 달성하였으며, 태스크 간 전이 가능한 메커니즘을 학습하는 것의 이점을 입증했습니다.