선형 구조적 인과 모델의 인과 추상화 학습

여러 설정에서 서로 다른 수준의 세분성으로 인과 지식을 모델링해야 할 필요성이 발생합니다. 인과 추상화는 서로 다른 세부 수준에서 두 개의 구조적 인과 모델을 연관 지어 이 문제를 형식화하는 프레임워크를 제공합니다. 대규모 기계 학습 모델의 해석 가능성 등 인과 추상화를 적용하는 데 대한 관심이 높아지고 있음에도 불구하고, 인과 모델이 다른 모델을 추상화할 수 있는 그래픽적 및 파라메트릭 조건은 알려져 있지 않습니다. 또한, 데이터로부터 인과 추상화를 학습하는 문제는 여전히 열려 있는 문제입니다. 본 연구에서는 선형 추상화 함수를 갖는 선형 인과 모델에 대해 두 가지 문제를 다룹니다. 먼저, 저수준 계수와 추상화 함수가 고수준 계수를 어떻게 결정하는지, 그리고 고수준 모델이 저수준 변수의 인과 순서를 어떻게 제약하는지를 특성화합니다. 그런 다음, 관찰 데이터를 통해 고수준 및 저수준 인과 모델과 그 추상화 함수를 학습하기 위해 우리의 이론적 결과를 적용합니다. 특히, 우리는 학습된 고수준 모델과 추상화 함수가 유도하는 제약을 활용하여 비가우시안 노이즈 항을 가정하고 더 큰 저수준 모델의 복구를 가속화하는 Abs-LiNGAM이라는 방법을 소개합니다. 시뮬레이션 환경에서 우리는 데이터로부터 인과 추상화를 학습하는 효과성과 인과 발견의 확장성을 향상시키는 데 있어 우리의 방법의 잠재력을 보여줍니다.