arXiv:2606.19594v1 cs.LG

비지도 인과 추상화 발견

Unsupervised Causal Abstractions Discovery

Théo Saulus, Simon Lacoste-Julien, Dhanya Sridhar

제출 2026-06-17

한국어 초록

인과 추상화(causal abstractions)는 고수준 구조적 인과 모델(SCM)이 저수준 SCM의 개입(intervention) 행동을 포착하는 조건을 형식화합니다. 이 개념의 기존 응용은 대부분 가설 검증 패러다임을 따르는데, 전문가가 후보 고수준 모델을 제안한 다음 저수준 시스템이 이를 구현하는지 평가하는 방식입니다. 우리는 저수준 측정값으로부터 직접 고수준 모델을 학습하는 상호 보완적인 문제를 연구합니다. 우리의 기여는 저계수 인과 발견(low-rank causal discovery)의 가설을 활용하며, 다음과 같이 요약할 수 있습니다: (1) 저계수 그래프(low-rank graph)에 의해 생성된 관측값이 인과 추상화(causal abstraction)를 구성하는 잠재 변수(latents)를 유도함을 보이고, (2) 이러한 잠재 변수에 대한 식별 가능성(identifiability) 결과를 제공하며, (3) 이 고수준 SCM을 학습하기 위한 실용적인 목적 함수(objective)를 제안합니다.

원문 초록

Causal abstractions formalize when a high-level structural causal model (SCM) captures the interventional behavior of a lower-level SCM. Existing applications of this notion largely follow a hypothesis-testing paradigm: an expert proposes a candidate high-level model and then evaluates if the low-level system implements it. We study the complementary problem of learning a high-level model directly from low-level measurements. Our contributions leverage hypotheses from low-rank causal discovery, and can be summarized as follows: (1) we show that observations generated by a low-rank graph induce latents that form a causal abstraction, (2) we provide identifiability results about these latents, and (3) we propose a practical objective to learn this high-level SCM.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19594v1제출 시각 미확인

함께 살펴볼 논문

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

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

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:2607.04133v2cs.LG공통 태그 Causal Inference, Causal Discovery

잠재 교란 변수가 있는 LNML 기반 인과 발견: 이론과 실험

LNML-based Causal Discovery with Latent Confounders: Theory and Experiments

비선형 메커니즘과 잠재 교란 변수가 있는 인과 발견은 여전히 어려운 과제이다. 기존 방법은 선형성 가정이나 인과적 충분성에 의존하는 경우가 많아 적용 범위가 제한된다. 우리는 luckiness normalized maximum likelihood(LNML) 코드 길이를 사용하여 잠재 교란 변수와 유연한 비선형 메커니즘을 수용하는 MDL 기반 인과 발견 프레임워크를 제안한다. 코드 길이 기반 모델 선택을 보완하기 위해, 잠재 교란 후보를 식별하는 기준으로 $\Delta$-의사 공선성($\Delta$-pseudo-collinearity)을 도입한다. 우리는 잠재 교란 변수가 있을 때 방향성 코드 길이 격차 $\Delta$가 표본 크기에 대해 많아야 선형적으로 증가하고 잠재 인과 메커니즘이 비슷해질수록 감소하는 상한을 가짐을 이론적으로 보이며, 이는 제안한 기준을 뒷받침한다. 이 정식화에 기반하여 의사 공선성 유도 인과 발견(Pseudo-Collinearity Guided Causal Discovery, PCG-CD)이라는 탐욕 알고리즘을 개발한다. 합성 및 실제 데이터셋에 대한 실험은 PCG-CD가 방향이 있는 인과 관계를 복원하고 잠재 교란 후보를 식별하는 능력을 보여 주는 한편, 잠재 교란 변수 판별의 한계도 드러낸다.

arXiv:2610.13430v1eess.SP공통 태그 Causal Inference, Causal Discovery

하나가 다른 하나로 이어진다: 시계열 인과 발견의 핵심 요소

One Thing Leads to Another: The Essentials of Time Series Causal Discovery

시계열 인과 발견(time series causal discovery) --- 시계열들 간의 인과관계를 탐지하는 과정 --- 은 반세기도 더 전의 신호 처리(signal processing) 연구에 그 뿌리를 두고 있다. 이후 이 분야는 활발하고 폭넓은 관심을 받아왔으며, 통계학, 동역학계(dynamical systems), 머신러닝 등 여러 분야에서 서로 다른 형태로 발전해왔다. 이처럼 파편화되어 끊임없이 변화하는 연구 지형에 처음 발을 들이는 것은 부담스러울 수 있다. 본 튜토리얼은 여러 연구 공동체에 걸친 시계열 인과 발견에 대한 통합적인 개요를 제공한다. 우리는 현대의 발견 방법들이 기반으로 삼는 핵심 원리들을 소개하고, 그 한계와 가정들을 논의한다. 또한 발견 방법들이 어떻게 평가, 벤치마크, 파인튜닝(fine-tuning)되는지도 논의한다. 더 나아가 시계열에 대한 인과 발견이 농업 및 지구과학, 헬스케어, 그리고 인공지능 시스템에서의 다운스트림 작업(downstream task)에 어떻게 점점 더 중요해지고 있는지를 논의한다. 우리는 본 튜토리얼이 최근 쏟아지는 인과성(causality) 연구들을 탐색하는 데 유용한 자료가 될 뿐만 아니라, 신호 처리 분야의 독자들이 인과 문제에 기여하도록 초대하는 역할을 할 것이라고 믿는다. 독자들에게 추가적인 도움을 주기 위해, 우리는 유용한 코드 패키지와 자료들을 연결해주는 동반 저장소(companion repository)를 https://github.com/CHAI-UK/Awesome-Time-Series-Causal-Discovery 에서 운영하고 있다.

arXiv:2610.13520v1cs.AI공통 태그 Causal Inference, causal abstraction

인과적 추상화에서의 인과 효과 식별 가능성: 기준들의 엄격한 계층 구조

Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria

관측 데이터로부터 인과 효과(causal effect)를 식별하는 작업은 일반적으로 완전히 명시된 인과 그래프를 필요로 하지만, 이러한 가정은 복잡하거나 고차원인 환경에서는 비현실적인 경우가 많습니다. 인과적 추상화(causal abstraction)는 부분적인 인과 정보만을 유지하여 호환 가능한 인과 그래프들의 동치류를 정의함으로써 이러한 한계를 해결합니다. 본 논문에서는 개별 인과 다이어그램 수준이 아니라 이러한 그래프 집합 수준에서 인과 효과 식별 가능성(identifiability)을 직접 연구합니다. 우리는 이 설정에서 식별 가능성에 대한 여러 개념을 공식화하고, 이들의 관계와 차이점을 명확히 하는 계층 구조로 정리합니다. 특히, 인과 효과가 호환 가능한 모든 그래프 전반에 걸쳐 균일하게 성립하는 단일 인과적 유도를 허용하지 않고도 그래프 집합에 대해 식별될 수 있음을 규명합니다. 이러한 결과는 기존 문헌의 공백을 드러내고 모호성을 해소하는 데 기여합니다.

arXiv:2610.02594v1cs.LG공통 태그 Causal Inference, Causal Discovery

인과성이 의미론적 간극을 메우는 방법

How Causality Bridges the Semantic Gap

수치적 측정값은 시스템이 어떻게 동작하는지 포착하지만, 변수의 의미를 명시하지 않은 채 남겨두는 경우가 많습니다. 어떤 변수는 측정되지만 이름이 전혀 붙지 않으며, 어떤 변수는 전혀 측정되지 않기도 합니다. 기존 방법들은 일반적인 인간 지식을 참조하여 이러한 변수에 의미를 부여하지만, 이는 지식이 존재하는 영역에서는 지식의 바이어스(bias)를 그대로 물려받고, 지식이 존재하지 않는 영역에서는 아무런 정보도 제공하지 못합니다. 본 연구에서는 대신 인과 구조(causal structure)를 통해 측정값과 의미 사이의 이러한 간극을 메우며, 한 변수가 다른 변수에 어떻게 작용하는지로부터 해당 변수의 의미를 파악합니다. 이를 구조 제약 의미 정렬(structure-constrained semantic alignment)로 공식화하여, 알려진 소수의 이름을 앵커로 삼고 인과 그래프가 함의하는 의존 관계 하에서 이름 없는 각 변수의 임베딩(embedding)을 도출합니다. 이에 따라 측정값으로부터 잠재 변수를 포함한 인과 그래프를 발견하고, 해당 관계 하에서 임베딩을 도출하며, 언어 모델(language model)을 통해 이를 이름으로 표현하는 프레임워크인 CausalBridge를 구축합니다. 인과 구조는 측정값을 생성한 메커니즘을 반영하며 측정값만으로 복원되므로, 인간 지식의 바이어스로부터 자유로운 유일한 정보 원천이 될 수 있습니다. 20%에서 90%의 변수 이름이 마스킹된 5개의 설문조사와 3개의 로보틱스 시나리오에서 CausalBridge를 평가합니다. 이 프레임워크는 연관성(association)에 의존하는 기존 방법보다 관측 변수와 잠재 변수의 의미를 더 정확하게 복원하며, 시스템에 대한 문서화가 덜 되어 있을수록 성능 격차는 더 벌어집니다. 프레임워크가 발견한 그래프는 문서화된 그래프만큼 정확하게 변수 이름을 지정하며, 새로운 시스템의 이름 부여는 몇 분 만에 샘플링 방법 대비 극히 일부의 비용으로 수행됩니다. 의미론적 간극이 충실하게 메워지면, 기계는 세상을 이해하고 인과적으로 행동을 취할 수 있습니다.

arXiv:2610.02221v1q-bio.NC공통 태그 Causal Inference, Causal Discovery

인과 발견을 통해 밝혀낸 영국 바이오뱅크(UK Biobank) 내 신체 활동과 치매 위험을 연결하는 경로

Causal discovery identifies pathways linking physical activity to dementia risk in the UK BioBank

신체 활동(Physical Activity, PA)은 일관되게 치매 위험 감소와 연관되어 있으나, 신체 활동과 치매 예방을 연결하는 메커니즘은 여전히 완전히 이해되지 않았습니다. 본 연구에서는 영국 바이오뱅크(UK Biobank)의 60세 이상 고령자 42,293명을 대상으로 대규모 언어 모델(LLM) 유도 인과 발견(causal discovery)과 매개 분석(mediation analysis)을 통합하여, 객관적으로 측정된 중강도 및 고강도 신체 활동(MVPA)과 치매 위험을 잇는 경로를 체계적으로 식별했습니다. 행동, 심리, 기능 및 임상 영역 전반에 걸쳐, 인과 발견은 우울증, 기능적 능력, 흡연 행동, 고혈압, 심혈관 질환, 만성 콩팥병, 뇌 손상을 거쳐 높은 MVPA가 낮은 치매 위험으로 이어지는 상호 연결된 경로를 일관되게 확인했습니다. 연쇄 매개 분석에서는 우울증이 중심 경로로 확인되었으며, 이는 MVPA와 치매 위험 간 전체 연관성의 15.1%를 설명했습니다. 성별 계층화 분석에서는 뚜렷한 기전 패턴이 드러났는데, 여성은 주로 대사 및 기능적 경로를 보인 반면, 남성은 흡연 및 심혈관 질환과 관련된 행동 및 심혈관·대사 연쇄 반응을 보였습니다. 종합하면, 이러한 결과는 신체 활동과 치매 사이의 예방적 연관성이 단일 경로가 아닌 상호 연결된 행동, 심리 및 심혈관·대사 과정을 통해 매개됨을 시사합니다. 우울증은 두드러지면서도 잠재적으로 수정 가능한 경로로 나타났으며, 이는 신체 활동 증진과 정신 건강 및 심혈관 위험 관리를 결합한 치매 예방 전략 통합의 가능성을 강조합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.