Dynamical Causality Under Invisible Confounders

한눈에 보기

두 시계열 X와 Y가 함께 움직이면 세 가지가 모두 가능하다. X가 Y에 직접 영향을 주었을 수 있고, X→Z→Y 같은 간접 경로일 수 있고, 관측하지 못한 Z가 둘을 함께 흔든 것일 수도 있다. CIC(Causality under Invisible Confounders)는 마지막 경우를 포함해, 관측 시계열을 원래 좌표가 아니라 지연 임베딩 공간에서 분해해 보자는 방법이다.

논문은 X와 Y에 공통으로 들어 있는 성분과 각 변수에만 남는 사적 성분을 직교적으로 분리한다. 공통 성분이 Y에서 X를 재구성하는 데 충분한지로 동역학적 인과 지수를 만들고, 공통 성분이 있으나 직접 결합으로 설명되지 않는 경우에는 숨은 교란 후보를 재구성한다. 저자들은 이를 orthogonal decomposition theorem으로 뒷받침하고 VAE로 계산한다.

질문	CIC의 답	이 답이 요구하는 것
X→Y 결합이 있는가	공통/사적 잠재 성분의 분해 지수	지연 임베딩과 분해 가정이 맞아야 함
교란이 있는가	공통 성분이 남는 패턴을 교란으로 해석	관측 자료의 구조가 충분해야 함
실제 개입 효과는?	이 논문의 직접 대상이 아님	별도 개입 자료·설계가 필요

왜 원래 시계열만 보면 어려운가

원래 공간에서 X와 Y는 비선형 동역학 때문에 분리되지 않을 수 있다. CIC는 X의 현재와 과거, Y의 현재와 과거를 각각 묶어 지연 좌표로 만든다. 저자들의 주장은 이 공간에서는 두 변수의 공유된 부분과 고유 부분을 분리할 이론적 길이 열린다는 것이다. ‘보이지 않던 Z를 눈으로 관측한다’는 뜻은 아니다. X·Y가 함께 설명하는 잠재 성분을 Z의 대리 표현으로 복원하는 것이다.

그림 1. Yan et al. (2024), arXiv:2408.05584v1, Figure 5, 물리 PDF p. 23의 원도판. (A)는 관측되지 않은 변수 집합이 X·Y 추론을 흐리는 문제, (B)는 원 시계열에서 지연 임베딩으로의 이동, (C)는 공통·사적 잠재공간을 만드는 인코더/디코더, (D)는 인과·교란·무인과 판정과 교란 대리물 재구성을 묶어 보인다. 그림의 ‘reconstructed confounder’는 실제 숨은 변수의 이름·기전까지 확인한 관측이 아니라 모델이 복원한 잠재 표현이다. arXiv v1의 라이선스는 CC BY-NC-ND 4.0이다. 기존 리뷰에 실린 원도판을 비평·설명을 위해 그대로 인용했다.

방법을 한 번에 따라가기

첫째, X와 Y를 시간 지연을 가진 벡터로 바꾼다. 둘째, 각 벡터를 VAE 인코더에 넣어 공통 잠재 성분과 사적 잠재 성분으로 나눈다. 디코더는 두 성분을 합쳐 원 입력을 되살리도록 훈련된다. 직교 손실은 성분이 같은 정보를 중복해 담지 않게 하고, 두 공통 성분을 같게 하는 손실은 X와 Y가 공유한 부분을 맞추려 한다.

셋째, X를 공통 성분만으로 얼마나 설명할 수 있는지와 사적 성분이 얼마나 필요한지를 비교해 CIC 지수를 만든다. 저자들의 판정 그림에서는 높은 값이 X→Y 동역학 인과, 중간값이 교란, 낮은 값이 무인과에 대응한다. 실제 데이터에서는 완전히 0이나 1이 되지 않으므로 문턱값을 정해야 한다. 이 판정 규칙은 학습이 끝나면 자동으로 나오는 물리 법칙이 아니다. 잡음·표본·하이퍼파라미터의 영향을 받는다.

그림 2. Yan et al. (2024), arXiv:2408.05584v1, Figure 1, 물리 PDF p. 18의 원도판. 직접 X→Y, 공통 원인 Z→X·Z→Y, 양방향 등을 구분하는 합성 구조와 noise·결합 강도·시계열 길이에 따른 지수를 보여 준다. 아래 비교 막대는 저자 설정에서의 정확도다. 생성 구조와 정답을 아는 합성계 결과이므로, 실제 생물 네트워크의 정답성이나 모든 교란 환경의 식별성을 그대로 뜻하지 않는다.

결과를 어떻게 읽을까

Figure 1의 합성 검증은 CIC가 저자들이 만든 네 구조에서 인과·교란·무인과를 다른 비교법들과 구분했다는 근거다. 특히 교란자 재구성 상관과 정확도 패널은 “잠재 공통 성분”이라는 계산적 대상이 생성한 교란 신호와 어느 정도 대응함을 보인다. 하지만 이 대응은 데이터 생성 방식, 관측 길이, 결합 강도, 노이즈 수준에 달린다.

저자들은 이후 생물 네트워크와 대기오염·심혈관계 시계열에도 적용한다. Figure 3의 네트워크 도식과 ROC는 알려진 구조 또는 설정한 평가 기준에 대한 재구성 결과를 보여 준다. 이 결과로 흥미로운 후보 연결을 만들 수 있다. 관찰 자료만으로 인과 기전이 확정되지는 않는다. 실제 시스템에서는 빠진 변수, 측정 오차, 시간 해상도, 비정상성, 그리고 잘못 지정된 지연이 모두 공통 성분의 해석을 바꿀 수 있다.

그림 3. Yan et al. (2024), arXiv:2408.05584v1, Figure 3, 물리 PDF p. 21의 원도판. 먹이망과 대기오염–심혈관계의 추정 네트워크, 방법별 ROC/정확도 패널을 함께 놓는다. 점선·색 테두리는 비교법의 오식별을 표시한다. ROC는 이 논문이 채택한 정답·평가 구성에 대한 순위 성능이며, 관찰연구에서 개입 효과나 정책 효과를 식별했다는 증거는 아니다.

CIC가 성립하는 조건

CIC를 쓸 때는 (1) 시계열이 동역학적 상태를 충분히 담는지, (2) 지연 임베딩 차원과 시간 지연이 적절한지, (3) VAE의 공통/사적 분해가 안정적인지, (4) 문턱 선택을 바꿔도 연결이 유지되는지 확인해야 한다. 무엇보다 숨은 교란의 표현과 개입 모사는 서로 다르다. 이 논문의 CIC는 관측 기반 동역학 인과와 교란자 대리 표현의 방법이다. 실제로 X를 바꿨을 때 Y가 어떻게 변하는가라는 개입 질문에는 실험·준실험 설계나 뒤이은 interventional 방법의 별도 가정이 필요하다.

References

Yan, J., Zhang, S.-W., Zhang, C., Huang, W., Shi, J., & Chen, L. (2024). Dynamical causality under invisible confounders (arXiv:2408.05584v1). arXiv. https://arxiv.org/abs/2408.05584v1

상세 검토: /blog/cic-dynamical-causality-under-invisible-confounders?view=deep