arXiv:2606.13556v1 cs.AI

당신인가, 환경인가? 유전체 기반 개인화 생리적 해석을 위한 베이지안 추론 프레임워크

Is It You or Your Environment? A Bayesian Inference Framework for Genomically-Anchored Personalized Physiological Interpretation

Aruna Dey, Suraj Biswas

제출 2026-06-11

한국어 초록

개인화된 건강 AI 시스템은 근본적인 콜드 스타트 문제에 직면한다. 생리학적 해석을 위한 머신러닝 모델이 체질적 변이와 환경적 편차를 구분하려면 수 주간의 개인 행동 데이터가 필요하다. 우리는 인과 추론과 베이지안 사전 확률 설계에 기반한 해결책을 제안한다. 개인의 유전체 프로필은 외생적 유전 앵커 역할을 한다. 이는 도메인 지식이 반영된 개인화 사전 확률로서, 수정 시점에 고정되어 역인과성에 영향받지 않으며, 단 하나의 행동 관측이 수집되기 전에도 활용 가능하다. 이 앵커는 개인의 생리적 기준점에 대한 베이지안 믿음 상태를 G-hat = mu + sum(beta_i * g_i)로 초기화하는데, 여기서 beta_i는 GWAS 도출 효과 크기, g_i는 위험 대립유전자 수다. 각각의 생리 측정값 P는 비체질적 편차 delta = P - G-hat를 산출하여, 환경 및 상태에 귀인되는 신호를 체질적 고정 기준선으로부터 분리한다. 행동 데이터가 축적됨에 따라 사전 확률은 G-hat_t = w(t)*G-hat_genomic + [1-w(t)]*P-bar_t에 따라 감소하며, 유전체 주도 추론에서 경험적 기준선 주도 추론으로 전환된다. HRV 55 ms라는 동일한 관측값이라도, 사전 확률이 80 ms를 예측하는 사람에게는 억제 가설을, 30 ms를 예측하는 사람에게는 향상 가설을 생성한다. 이 역전은 개인화된 앵커 없이는 불가능하다. 우리는 이 아키텍처를 여섯 가지 생리 영역에 걸쳐 전개하면서, 유전체 사전 확률을 증거 강도에 따라 등급화하고, 강건하게 복제된 앵커(FTO, FADS1/2, FKBP5)와 논쟁적인 후보 유전자(SLC6A4, MAOA, DRD2)를 구분한다. 연관성, 멘델 무작위화, 개별 토큰 인과성 간의 추론 경계를 다루고, 배포를 위한 네 가지 제약 조건을 정의한다: 증거 등급화된 사전 확률, 동적 감쇠, 조상-매칭 효과 크기, 결정론적 출력이 아닌 귀인.

원문 초록

Personalized health AI systems face a fundamental cold-start problem: machine learning models for physiological interpretation require weeks of individual behavioral data before they can distinguish constitutional variation from environmentally driven deviation. We propose a solution grounded in causal inference and Bayesian prior design. An individual's genomic profile serves as an exogenous genetic anchor -- a domain-informed, personalized prior that is fixed at conception, immune to reverse causation, and available before a single behavioral observation is collected. The anchor initializes a Bayesian belief state over an individual's physiological set point G-hat = mu + sum(beta_i * g_i), where beta_i are GWAS-derived effect sizes and g_i are risk-allele counts. Each incoming physiological measurement P produces a non-constitutional deviation delta = P - G-hat that separates the signal attributable to environment and state from the constitutionally fixed baseline. As behavioral data accrue, the prior decays according to G-hat_t = w(t)*G-hat_genomic + [1-w(t)]*P-bar_t, transitioning from genome-dominated to empirical-baseline-dominated inference. The same observed HRV of 55 ms generates a suppression hypothesis for a person whose prior predicts 80 ms, and an enhancement hypothesis for a person whose prior predicts 30 ms -- a reversal impossible without a personalized anchor. We develop this architecture across six physiological domains, grading genomic priors by evidence strength, distinguishing robustly replicated anchors (FTO, FADS1/2, FKBP5) from contested candidate genes (SLC6A4, MAOA, DRD2). We address the inference boundary between association, Mendelian randomization, and individual token causation, and define four constraints for deployment: evidence-graded priors, dynamic decay, ancestry-matched effect sizes, and attribution rather than deterministic output.

요약

개인화된 건강 AI 시스템의 콜드 스타트 문제를 해결하기 위해 개인의 유전적 프로필을 베이지안 사전 확률(prior)로 활용하여 생리학적 기준선을 초기화하는 추론 프레임워크를 제안한다. 이 방법은 유전적 기준선과 실제 측정값의 차이를 통해 환경적 요인을 분리하고, 데이터 축적에 따라 유전적 정보에서 경험적 데이터로 추론의 비중을 동적으로 전환한다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.13556v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.10456v2stat.ML공통 태그 Causal Inference, Bayesian Inference

확장 가능한 인과 발견을 위한 배경 지식 통합

Integrating Background Knowledge for Scalable Causal Discovery

전문가 배경 지식은 인과 발견(causal discovery)의 실제 응용에서 종종 활용 가능하다. 실제 인과 그래프에 대한 이러한 제약 조건은 인과 효과의 식별 가능성과 학습된 구조의 정확도 측면에서 인과 발견에 도움이 될 뿐만 아니라, 후보 인과 그래프의 탐색 공간을 줄이는 데에도 기여한다. 인과 발견은 변수의 수가 많아질수록 계산 비용이 크게 증가할 수 있으므로, 인과 발견 과정에서 배경 지식을 효과적으로 활용하는 것이 중요하다. 그러나 현재 대부분의 방법들은 학습된 그래프를 정제하기 위해 인과 발견 이후의 후처리 단계에서만 배경 지식을 활용한다. 본 연구에서는 인과 발견 과정에서 배경 지식을 활용하는 프레임워크를 개발하며, 특히 전체 그래프의 일부만을 복원하는 확장 가능한 인과 발견 방법에 초점을 맞춘다. 우리는 여러 알고리즘에 대해 이 프레임워크를 구현하고, 배경 지식 활용이 계산 요구량을 줄이고 학습된 구조의 품질을 향상시킬 수 있음을 실험적으로 보인다.

arXiv:2609.24101v1cs.AI공통 태그 Causal Inference, Bayesian Inference

더 많은 근거가 오히려 독이 될 때: 생물의학 인과 탐색을 위한 출판 편향 표류와 원칙적 탐색 중단

When More Evidence Hurts: Publication-Bias Drift and Principled Stopping for Biomedical Causal Search

자동화된 생물의학 근거 합성은 출판된 연구들을 검색하는 것에 의존하지만, 생물의학 문헌은 체계적으로 긍정적인 결과 쪽으로 편향되어 있습니다. 따라서 검색을 더 깊이 수행할수록 실제 효과가 없을 때(null) 시스템이 이점이 있다고 잘못 추론할 가능성이 오히려 \emph{더} 높아질 수 있습니다. 본 연구에서는 이러한 현상을 \emph{근거 표류(evidence drift)}로 정의하고, 표준적인 출판 바이어스(publication-bias) 모델 하에서 영효과(null-effect) 질의에 대한 위양성 확률이 검색 깊이에 따라 엄격히 증가하는 대표본 포락선을 따르며 1에 가까워짐을 증명합니다. 실증적으로 140개의 코크란(Cochrane) 기반 질의로 구성된 홀드아웃 테스트 세트에서 검색 예산이 3단계에서 20단계로 증가함에 따라 표류는 7.9\%에서 15.7\%로 단조 증가하며 영효과 클래스에 집중됩니다. 본 논문에서는 PubMed 초록으로부터 인과 지식 그래프를 점진적으로 구축하고 상호 보완적인 역할을 수행하는 2계층 중단 정책을 적용하는 표류 인식 인과 그래프 에이전트(agent)인 DACG-agent를 제시합니다. 이 정책은 사후 수렴(convergence)을 감지하는 KL-발산 모니터(정확도 층)와 근거 품질이 정점에 도달하면 검색을 중단시키는 온라인 저하 감지 브래들리-테리(Bradley--Terry) 프로세스 보상 모델(PRM, 효율성 층)로 구성됩니다. 전체 예산을 사용하는 검색 대비, DACG-agent는 검색 단계를 67\% 적게 사용하면서도 근거 표류를 15.7\%에서 6.4\%로 줄이고 영효과 정확도를 21%포인트(40.0\%$\to$61.4\%) 향상시키며, 전반적인 정확도는 61.4\%에서 69.3\%(95\% CI 61--77)로 증가합니다. 시뮬레이션을 통해 표류 결과가 분석에 사용된 투표 집계(vote-counting) 애그리게이터에서 실제 배포된 noisy-OR 애그리게이터로도 전이됨을 확인했습니다.

arXiv:2607.20863v1cs.IR공통 태그 Causal Inference, Bayesian Inference

온라인 추천을 위한 확률적 잔차 학습

Probabilistic Residual Learning for Online Recommendations

현대 추천 시스템은 일반적으로 심층 학습(DL) 모델을 기반으로 하며, 밀집 인코더(dense encoder)가 사용자와 아이템의 표현(representation)을 학습한다. 그 결과 이러한 시스템은 기반 모델의 블랙박스 특성과 계산 복잡성으로 인해 추천 성능을 체계적으로 향상시키기 어려운 경우가 많다. 이 문제를 해결하기 위해, 우리는 Probabilistic Residual Learning(PRL)을 제안한다. 이는 실제값(ground-truth)과 기본 예측(base prediction) 사이의 잔차(residual)를 모델링하여 기존 시스템의 목표 지향적 정제(refinement)를 가능하게 하는 인과적 베이지안 추천 모델이다. 구체적으로 PRL은 (1) 국소적 잔차 모델링을 위해 사용자를 확률적으로 그룹화하고, (2) 사용자 및 아이템 표현에 영향을 미치는 도메인 수준 교란 변수(domain-level confounder)를 모델링하며, (3) do-calculus를 사용하여 교란 변수에 대한 클러스터별 잔차 예측을 집계한다. 실험 결과, 플러그앤플레이(plug-and-play) 방식의 PRL이 다양한 기본 심층 학습 추천 시스템과 호환되며 성능을 향상시키는 동시에 의미 있는 사용자 클러스터를 자동으로 발견함을 보여준다.

arXiv:2607.21208v1cs.AI공통 태그 Causal Inference, Bayesian Inference

규칙이 인과 지식을 어떻게 표현하는가: 확률 논리 프로그래밍을 통한 인과 모델링

How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming

Pearl은 유명하게 인과 지식이 개입 효과의 예측을 가능하게 한다고 주장한다. 반면 순수 서술적 지식은 관찰로부터 도출되는 결론만을 지지한다. 그러나 그의 인과성 이론은 베이지안 네트워크와 인과 모델이라는 틀 안에서만 전개되었다. 그 결과 이 이론은 대체로 비순환 인과 관계에 국한되며, 다른 형식 체계로 그 아이디어를 옮기면 오해 또는 불일치가 생길 위험이 있다. 본 논문은 Pearl의 인과성 접근을 확률 논리 프로그래밍(PLP)으로 가져온다. 이를 위해 해당 프로그램들을 시간 개념에 의존하지 않는 선행 연구의 철학적 기반에 맞춘다. 즉, 관련된 모든 사건이 동시에 발생한다고 가정한다. 이러한 프로그램에 대한 형식적 인과 의미론과 함께 개입 개념 및 구현을 제안한다. 이 의미론이 층화(stratified) ProbLog 프로그램에 대한 P-log 의미론과 일치함을 보이며, 비층화 경우와 다른 PLP 형식에서는 둘이 달라질 수 있음을 보인다.

arXiv:2607.14141v1cs.AI공통 태그 Causal Inference, Bayesian Inference

운영 의사결정 지원을 위한 베이지안 네트워크의 인간-AI 구축 — 가상 설문 접근법

Human AI Construction of Bayesian Networks for Operational Decision Support -- A Virtual Survey Approach

베이지안 신념 네트워크(Bayesian Belief Network, BBN)는 불확실성 하에서 의사결정을 위한 강력한 도구이다. 그러나 구조를 구축하고 파라미터를 추정하는 것은 어렵다. 현재 연구자들은 전문가 판단에 의존하거나 네트워크의 구조와 파라미터를 학습하기 위해 대규모 데이터셋을 사용하는 것 중 하나를 선택해야 한다. 우리는 전문가 의견과 데이터 기반 학습 사이의 격차를 메우기 위해 대규모 언어 모델(LLM)을 사용하는 새로운 방법론을 제안한다. 이 접근법은 특정 페르소나(persona)와 문맥(context)에 기반하여 확률을 추정하기 위해 AI 에이전트 패널을 사용한다. 그런 다음 응답에서 노이즈를 제거하기 위해 절사 평균(trimmed-mean) 규칙을 적용한다. 우리는 6단계 BBN 프레임워크를 개발하고, 대체 의료 체계에서 의사 상담 의향을 모델링하는 예시로 이를 설명한다. 모델은 자기 효능감(self efficacy)이 주요 요인처럼 보이지만 실제 인과적 영향은 작다는 것을 보여준다. 반면, 주관적 규범(subjective norms)은 고객의 의향을 모델링하는 데 훨씬 더 강한 효과를 갖는다. 가장 효과적인 전략은 자신감과 지역사회 규범을 동시에 개선하는 것이다.

arXiv:2607.12826v1cs.AI공통 태그 Causal Inference, Bayesian Inference

Hempel의 통계적 모호성 문제의 해결과 Causal AI

Solution of the Hempel's statistical ambiguity problem and Causal AI

본 논문은 귀납-통계 추론에서 통계 법칙으로부터 상충되는 예측이 도출되는 Carl Hempel의 오랜 통계적 모호성 문제를 다룬다. 이러한 예측을 피하기 위해 Carl Hempel은 추론에 사용되는 통계 법칙에 대해 최대 특이성 요건(Requirement of Maximal Specificity, RMS)을 제안했다. Wesley Salmon, Alberto Coffa, James Fetzer가 이룬 RMS 정제에 대한 분석은 최대적으로 특이한 통계 법칙에 대한 다음 정의로 이어졌다: "적절한 설명의 법칙적 전제는 설명 대상 현상의 발생 여부에 차이를 만든 모든 그리고 오직 그러한 속성들만을 명시해야 한다." 그러나 이 정의에 기초한 통계적 모호성 문제의 해법에 대한 증명은 없었다. 우리는 배경 맥락 전반에서 확률을 높이는 원인에 대한 Nancy Cartwright의 정의를 사용하고, 이어서 인과 규칙(Causal Rules)이라는 개념을 도입한다. 그다음 통계적으로 관련 있는 모든 정보를 통합하여 이러한 인과 규칙을 점진적으로 정제하는 특수한 의미론적 확률적 추론 절차를 정의한다. 이 절차는 최대적으로 특이한 인과 관계(Maximally Specific Causal Relationships, MSCR)를 산출하며, 우리는 이로부터 도출된 예측이 일관됨을 (정리 1에서) 증명한다. 이를 통해 통계적 모호성 문제가 해결된다. 의미론적 확률적 추론 절차는 확률적 인과 학습 시스템을 제공하며, Causal AI 및 Causal Machine Learning과 같은 새로운 분야에서 활용될 수 있다. 이들은 근본적으로 복잡한 시스템 내 인과 관계를 이해하기 위한 도구로서 인과 추론을 탐구한다. RMS와 유사한 성질들은 여전히 논의 중이다. RMS와 관련된 여러 개념이 고려된다: 불변 특징 학습(invariant feature learning), 불변 인과 예측(invariant causal prediction), 허위 연관(spurious association).

토론

이 논문과 연결된 포럼 글이 아직 없습니다.