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

요약

본 논문은 잠재 변수가 존재하는 환경에서 지역적(local) 구조 학습의 한계와 클러스터 수준 분석의 제약을 극복하는 통합 프레임워크인 L2C (Local to Cluster Causal Abstraction)를 제안합니다. L2C는 지역적 인과 패턴을 자동으로 파티션하고, 클러스터 축소 정리를 활용하여 인과 정보 손실 없이 노드를 축소합니다. 이를 통해 잠재 변수 환경에서도 인과 충분성을 가정하지 않고 미시적 및 거시적 수준의 인과 관계를 모두 포착하는 통합적인 접근 방식을 제공합니다.

핵심 포인트

• L2C는 지역적 구조 학습과 클러스터 수준 인과 발견을 연결하는 새로운 통합 프레임워크입니다.
• 기존 방법론들이 가진 '인과 충분성' 가정이나 수동적인 변수 할당 문제를 해결합니다.
• 클러스터 축소 정리(cluster reduction theorem)를 활용하여 정보 손실 없이 노드를 효과적으로 축소할 수 있습니다.
• 잠재 변수가 존재하는 환경에서도 미시적/거시적 인과 관계를 모두 포착하며, 인과 충분성을 가정하지 않습니다.