리프팅된 인과 추론 (Lifted Causal Inference)

리프팅된 추론 (Lifted inference)은 구별 불가능한 객체들을 대표자로 사용함으로써 확률적 그래픽 모델 (probabilistic graphical models) 내의 구별 불가능성을 활용하며, 이를 통해 정확한 답변을 유지하면서도 질의 응답 속도를 높입니다. 본 논문에서는 리프팅 (lifting)을 관계형 도메인 (relational domains)에서 인과 효과 (causal effects)를 효율적으로 계산하는 데 어떻게 적용할 수 있는지 보여줍니다. 구체적으로, 우리는 리프팅된 모델에 인과 지식 (causal knowledge)을 통합하기 위한 매개변수적 인과 요인 그래프 (parametric causal factor graphs, PCFGs)를 도입하고, 그 안에서의 개입 (interventions)에 대한 형식적 의미론 (formal semantics)을 제공합니다. 나아가 우리는 리프팅된 수준에서 인과 효과를 계산하는 리프팅된 인과 추론 (Lifted Causal Inference, LCI) 알고리즘을 제시하며, 이를 통해 인과 베이지안 네트워크 (causal Bayesian networks)와 같은 명제적 추론 (propositional inference)과 비교하여 인과 추론 속도를 획기적으로 높입니다. 또한, 부분적인 인과 지식을 처리하기 위해 PCFGs를 일반화한 부분적으로 방향성이 있는 매개변수적 인과 요인 그래프 (partially directed parametric causal factor graphs, PD-PCFGs)를 제시하고, LCI를 PD-PCFG에서 수행할 수 있도록 확장함으로써, 인과 관계에 대한 사전 지식이 적게 필요한 더 넓은 범위의 모델로 리프팅된 인과 추론의 적용 가능성을 확장합니다.