From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables

잠재 변수 (Latent variables) 는 인과 발견 (causal discovery) 과 추론에 근본적인 도전을 제기합니다. 기존의 지역적 (local) 방법은 직접적인 이웃에 초점을 맞추지만 거시 수준의 통찰을 제공하지 못합니다. 클러스터 수준의 방법은 거시적 인과 추론을 가능하게 하지만, 클러스터가 사전에 알려져 있다고 가정하거나 인과 충분성 (causal sufficiency) 을 요구합니다. 또한, 단일 변수 인과 발견 방법을 직접적으로 클러스터 수준 문제에 적용하면 인과 충분성을 위반하여 잘못된 결과를 초래합니다. 이러한 한계를 극복하기 위해 본 논문은 지역적 구조 학습 (local structure learning) 과 클러스터 수준의 인과 발견 (cluster level causal discovery) 을 연결하는 통합 프레임워크인 L2C (Local to Cluster Causal Abstraction) 를 제안합니다. 이전 작업이 마이크로 변수를 클러스터에 수동적으로 할당해야 했던 것과 달리, L2C 는 지역적 인과 패턴에서 파티션을 자동으로 발견합니다. 우리의 솔루션은 클러스터 축소 정리 (cluster reduction theorem) 를 활용하여 인과 정보 손실 없이 임의의 클러스터를 최대 3 개의 노드로 축소하고, 잠재 변수가 존재하는 환경에서 직접적인 원인, 결과 및 V 구조를 식별하기 위해 지역적 인과 발견을 적용하며, 학습된 클러스터 그래프에 대한 클러스터 수준의 미적분을 통해 거시 수준의 인과 추론을 수행합니다. L2C 는 잠재 변수를 지역적 발견을 통해 처리하므로 인과 충분성을 가정하지 않습니다. 이론적 분석은 L2C 가 타당성 (soundness), 원자적 완전성 (atomic completeness), 그리고 계산 효율성을 보장함을 보여줍니다. 합성 데이터와 실제 세계 데이터에 대한 광범위한 실험 결과, L2C 는 참인 클러스터를 정확하게 복원하며 기존 베이스라인보다 우수한 거시적 인과 효과 식별을 달성함이 입증되었습니다.