arXiv:2606.21668v1 cs.LG

유향 비순환 하이퍼그래프 학습을 위한 프레임워크

A Framework for Directed Acyclic Hypergraph Learning

Zhiyuan Dong, Carlos Mundo-Levano, Wei Qian, Daniel Lau, Gonzalo R. Arce

제출 2026-06-19

한국어 초록

유향 비순환 그래프(DAG) 학습을 위한 연속 최적화 방법은 가중 인접 행렬에 기반하기 때문에 쌍별 인과 관계만을 다룰 수 있다는 한계가 있습니다. 본 연구에서는 관측 데이터로부터 유향 비순환 하이퍼그래프(DAHG)를 학습하는 프레임워크를 제안하며, 쌍별 모델로는 표현할 수 없는 결합적 부모 영향(joint parental influences)을 포착합니다. 제안하는 방법은 세 가지 구성 요소에 기반합니다: (i) 비영(non-zero) 가중치가 유향 하이퍼에지(directed hyperedge)와 일대일 대응되는 곱셈 상호작용 항을 포함한 일반화 선형 구조 방정식 모델(SEM); (ii) 텐서 t-곱(tensor t-product) 하에서의 멱영성(nilpotency)으로 비순환성이 특성화되는 가중 인접 텐서 표현; (iii) t-곱의 푸리에 분해를 통해 도출된 미분 가능한 비순환성 제약으로, 텐서 멱영성을 슬라이스별 행렬 멱영성으로 환원하여 증강 라그랑지안 방법(augmented Lagrangian method)을 통한 최소제곱 학습을 가능하게 합니다.

원문 초록

Continuous optimization methods for learning Directed Acyclic Graphs (DAGs) operate on weighted adjacency matrices and are therefore limited to pairwise causal relationships. We propose a framework for learning Directed Acyclic Hypergraphs (DAHGs) from observational data, capturing joint parental influences that pairwise models cannot represent. Our approach rests on three components: (i) a generalized linear structural equation model (SEM) with multiplicative interaction terms whose non-zero weights correspond one-to-one with directed hyperedges; (ii) a weighted adjacency tensor representation whose acyclicity is characterized via nilpotency under the tensor t-product; and (iii) a differentiable acyclicity constraint derived through the Fourier decomposition of the t-product, which reduces tensor nilpotency to slice-wise matrix nilpotency and enables least-squares learning via the augmented Lagrangian method.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.21668v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2607.09645v2stat.ML공통 태그 Causal Inference, Graph Learning

방향 비순환 그래프 위의 심층 가우시안 과정

Deep Gaussian Processes on Directed Acyclic Graphs

많은 실제 과정은 방향 비순환 그래프(DAG)를 따르는 함수들의 합성으로 표현할 수 있다. 인과 모델링에서 이는 기저 메커니즘에, 공학에서는 다중 충실도 수준에, 유전자 조절 네트워크에서는 전사 인자에 해당한다. 이러한 함수들은 DAG 전반에서 잡음이 있고 이질적으로 샘플링된 측정값으로 부분적으로만 관측되므로, 재구성, 불확실성 전파, 추론에 상당한 어려움을 야기한다. 이러한 어려움을 해결하기 위해 함수에 대한 사전분포를 두어 자연스럽게 DAG 위의 심층 가우시안 과정에 도달한다. 우리는 이들의 사전분포 붕괴 거동과, 그래프 위상 및 중간 관측이 정보 보존에 미치는 영향을 이론적으로 연구한다. 입력 간 구별이 보존되는 깊이의 점근적 빈도에 대한 거의 확실한 하한을 얻고, 이것이 성립하는 폭넓은 커널 클래스를 규명하며, 입력 연결의 역할에 관한 \citep{dunlop2018}의 관찰을 증명한다. 또한 그래프 의존성을 유지하고 합성적 불확실성을 보존하며 충돌자(collider)의 설명 소거(explaining-away) 거동을 포착하는 구조적 변분 근사를 제시한다. 마지막으로 대규모 및 DAG 오지정 상황에서 이론과 방법론을 경험적으로 검증한다. 이어서 잠재 충돌자 DAG, 단백질 신호 전달 네트워크, 다중 충실도 \mbox{heavy-ion} 충돌 에뮬레이션 과제를 모델링하여, 최고 수준의 성능을 달성하는 동시에 저충실도 기여를 복원하고 시뮬레이터 계층에 대한 해석 가능성을 제공한다.

arXiv:2609.27256v1stat.ME공통 태그 Causal Inference, Graph Learning

조건부 공분산 순서화를 통한 함수적 인과 발견

Functional Causal Discovery via Conditional Covariance Ordering

본 연구는 각 노드가 확률 함수인 설정에서의 인과 발견을 다룬다. 이 주제에 대한 기존 연구는 선형성 또는 비선형성과 같은 구조적 가정, 가우스성 또는 비가우스성과 같은 분포 가정에 의존한다. 이와 달리 우리는 이러한 가정을 피하기 위해 공분산 연산자(covariance operator)를 활용한다. 함수적 가산 노이즈 모델(functional additive noise model) 하에서, 조건부 공분산 연산자의 노름(norm)을 비교하는 것에 기반하여 유효한 위상 순서(topological ordering)를 식별하기 위한 새로운 충분 조건을 제안한다. 이 식별 가능성(identifiability) 조건을 활용하여, 선형 및 비선형 모델을 포괄하는 새로운 혼합 회귀 모델을 개발한다. 변수 선택과 함께, 우리의 절차는 함수 변수(functional variable)에 대한 인과 방향성 비순환 그래프(DAG)의 추정을 산출한다. 이론적으로, 이 회귀 모델에 대한 최소자승(least-squares) 유형 이론을 개발하고, 순서 결정(order determination), 희소 회귀(sparse regression), DAG 식별에 대한 점근적 일치성(asymptotic consistency)을 도출한다. 이산 관측(discrete observation)에 기반한 계산 알고리즘을 제공한다. 시뮬레이션 데이터에 적용했을 때, 우리의 접근법은 기존 방법들 가운데 만족스러운 성능을 보인다. 뇌 유효 연결성(brain effective connectivity)에 대한 실제 데이터 예제도 제시한다.

arXiv:2607.22592v1cs.AI공통 태그 Causal Inference, Graph Learning

규모보다 구조: RAG를 위한 스키마 제약 인과 그래프

Structure Over Scale: Schema-Constrained Causal Graphs for RAG

그래프 기반 검색-증강 생성(GraphRAG)은 구조화된 지식에 답변을 그라운딩하지만, 현재 시스템들은 개체와 관계를 전부 추출하여 그래프의 크기와 구축 비용이 쿼리가 요구하는 추론이 아니라 말뭉치 길이에 따라 스케일링되는 그래프를 생성한다. 우리는 HCG-RAG(Hierarchical Causal Graph RAG)를 제안한다. 이는 개방형 추출을 스키마 제약 인과 그래프로 대체하며, 자동화된 파이프라인이 말뭉치를 인과 변수의 고정된 타입 어휘로 증류하고 이를 바탕으로 컴팩트한 2계층 그래프를 구체화한다. 우리의 스키마 제약 그래프는 답변 품질에서 개체-관계 기준선과 동등한 수준을 훨씬 적은 비용으로 달성한다: 노드 수 3-20배 감소, LLM 사용이 가장 많은 기준선(MS-GraphRAG) 대비 구축 시 LLM 호출 8-135배 감소, 그리고 도메인 전문가가 검토, 수정, 확장할 수 있을 정도로 컴팩트한 그래프이다. 의료 및 임상 벤치마크에서, 신경과 전문의가 검증한 간질 데이터셋을 포함하여, HCG-RAG는 최고의 개체-관계 시스템과 동등하거나 그 이상의 성능을 보인다. 어블레이션(ablation)은 인과 그래프를 구조화된 검색 필터로 분리하여, 임베딩만 사용하는 검색 대비 +6퍼센트포인트(pp)의 기여를 보인다. 발견 가능한 계층적 인과 구조를 갖는 모든 도메인에서, 더 높은 수준의 조직화를 부과하는 방법만이 평탄한 개체-관계 검색을 능가하며, 이는 그래프에 무엇을 담느냐가 노드 수보다 더 중요함을 시사한다.

arXiv:2607.21833v1stat.ME공통 태그 Causal Inference, Graph Learning

향상된 인과 전방향 네트워크 재구성(RECON)

Reconstruction of Enhanced Causal Omnidirectional Network (RECON)

동역학 시스템을 학습하고 $p$개의 이산적으로 관측된 상태 궤적로부터 기저 조절 네트워크를 재구성하는 것은 여전히 어려운 문제이다. 기존 접근법은 종종 많은 수의 허위 엣지를 생성하고 여러 방법론적 한계를 겪었다. 우리는 적분 기반 가법적 비모수 ODE 모델을 활용하여 $p$개의 시계열 데이터로부터 조절 네트워크를 재구성하는 새로운 접근법인 향상된 인과 전방향 네트워크 재구성(RECON)을 제안한다. RECON은 다섯 가지 방법론적 발전을 포함한다. 첫째, 진짜 조절 엣지는 보존하면서 허위 엣지를 실질적으로 줄이는 새로운 데이터 기반 엣지 선택 절차를 포함한다. 둘째, 단순한 통계적 연관이나 노이즈 아티팩트가 아니라 인과적 조절 관계를 포착하는 전방향 네트워크를 재구성한다. 셋째, 조밀한 규칙적 및 희소한 불규칙적 종단 샘플링 시나리오를 모두 수용함으로써 표준 ODE 기반 접근법의 적용 범위를 실질적으로 넓힌다. 넷째, 노드 궤적과 엣지 조절 효과 모두를 시변 함수로 모델링하여 동적 조절 네트워크를 강조한다. 다섯째, 부호 및 가중치가 있는 조절 네트워크를 재구성하고, 양방향 방향, 활성화/억제 지표, 강도와 함께 키스톤 노드 식별 및 위상 구조를 통해 포괄적인 네트워크 해석을 제공한다. 다섯 가지 시뮬레이션 연구에서 RECON은 거의 모든 허위 엣지를 제거하면서 거의 모든 진짜 조절 엣지를 유지하여 매우 정확한 네트워크 재구성을 달성함으로써 GRADE를 일관되게 능가한다. 가장 어려운 시나리오에서 허위 엣지의 수는 239개에서 0개로 줄어든다.

arXiv:2607.21088v1cs.LG공통 태그 Causal Inference, Graph Learning

CASC: 다변량 시공간 데이터를 위한 인과적 적대적 부분공간 클러스터링

CASC: Causal Adversarial Subspace Clustering for Multivariate Spatiotemporal Data

깊은 부분공간 클러스터링(deep subspace clustering)은 해빙 모니터링, 질병 확산 분석, 시간에 따른 신경 퇴행 추적 등 다변량 시공간 데이터를 다루는 응용에서 중요한 역할을 한다. 최근의 발전에도 불구하고, 기존 방법은 주로 기하학적 자기표현성(self-expressiveness)에 의존하며 정적인 부분공간 구조를 가정하고, 복잡한 시공간 시스템에 내재된 인과적 의존성, 국소적 공간 상호작용, 장거리 시간 역학을 포착하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해, 고차원 시공간 데이터에서 진화하는 잠재 체제(latent regime)를 발견하기 위한 새로운 인과적 적대적 부분공간 클러스터링(CASC) 프레임워크를 제안한다. CASC는 공간 및 시간 구조를 보존하면서 강건한 잠재 표현을 학습하기 위해 U-Net에서 영감을 받은 깊은 적대적 클러스터링 아키텍처와 적층 FAConvLSTM 레이어를 통합한다. 국소적 공간 관계, 전역적 의존성, 장거리 시간 상호작용을 공동으로 모델링하기 위해 그래프 어텐션 트랜스포머 기반 자기표현 네트워크를 도입한다. 또한 두 가지 새로운 학습 목표를 제안한다: (1) 자기표현 계수를 잠재 인과 관계와 정렬하여 클러스터가 단순한 특징 유사성이 아닌 근본적인 인과 과정을 반영하도록 유도하는 인과적 부분공간 보존 손실(Causal Subspace Preservation Loss), (2) 비정상(nonstationary) 환경에서 진화하는 부분공간 구조와 시간적 체제 전환을 포착하는 동적 시간 부분공간 진화 손실(Dynamic Temporal Subspace Evolution Loss). 이러한 구성 요소들은 함께 깊은 부분공간 클러스터링을 상관관계 중심 패러다임에서 인과-시간 체제 발견 프레임워크로 전환한다.

arXiv:2607.13508v1cs.LG공통 태그 Causal Inference, Graph Learning

CDS: 공간 그래프에서의 구조화된 개입을 위한 반사실적 방향성 점수

CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs

노드 집단 간 방향성 영향을 정량화하는 것은 그래프 기반 모델링에서 근본적인 문제이며, 특히 세포-세포 상호작용이 기능적 결과를 형성하는 공간 생물학 시스템에서 그렇다. 어텐션, 기여도(attribution), 또는 상관관계에 기반한 기존 접근법은 연관성은 포착하지만, 통제된 교란(perturbation) 하에서 방향성 효과를 평가하기 위한 원칙적인 프레임워크를 제공하지 않는다. 우리는 노드 유형 간 방향성 영향을 추정하기 위해 그래프 기반 모델에서 구조화된 반사실적 개입을 위한 프레임워크를 제안한다. 우리 접근법은 지역 이웃으로부터 노드 상태를 예측하기 위해 이웃 영향 모델(NIM)을 학습하고, 핵심적인 공간 및 구조적 속성을 보존하면서 이웃 구성을 수정하는 제약 개입을 적용한다. 우리는 표적 교란에 의해 유발된 예측 노드 상태의 변화를 측정하는 반사실적 방향성 점수(CDS)를 정의하고, CDS를 국소 개입 민감도의 유한 차분(finite-difference) 척도로 해석하는 이론적 설명을 제공한다. 유효한 불확실성 추정치를 얻기 위해, 우리는 공간 샘플 내 의존성을 고려하는 코어 수준(core-level) 부트스트랩 절차를 도입한다. 알려진 방향성 구조를 갖는 합성 공간 그래프에 대한 실험은 CDS가 방향성 영향을 복원하고, null 조건 하에서 잘 보정되며, 교란(confounding) 신호에 강건함을 보여준다. 한편 공간 전사체학(spatial transcriptomics) 데이터에 대한 예비 결과는 조직 코어(tissue cores) 전반에 걸쳐 생물학적으로 타당하고 일관된 상호작용을 드러낸다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.