인과 표현 학습 (Causal representation learning)은 관찰된 저수준 측정값 (low-level measurements)을 발생시키는 고수준의 잠재적 인과 개념 (latent causal concepts)을 추론하는 것을 목표로 합니다. 이는 서로 다른 환경이나 도메인에서 발생하는 이질적 데이터 (heterogeneous data)에 특히 유의미한데, 생성 과정 (generative process)의 다른 부분은 변하지 않은 채 일부 근본적인 인과 메커니즘 (causal mechanisms)의 희소하고 국소적인 변화를 통해 분포 변화 (distribution shifts)가 자주 발생하기 때문입니다. 인과 표현의 식별 가능성 (identifiability)에 대해서는 광범위하게 연구되어 왔으나, 실질적인 불확실성 인식 방법론 (uncertainty-aware methods)과 실제 사례 연구는 여전히 미개척 분야로 남아 있습니다. 본 연구에서는 이산적 인과 개념 (discrete causal concepts)과 미지의 다중 노드 소프트 개입 (unknown multi-node soft interventions) 사례에 초점을 맞추어, 다중 환경 데이터로부터 인과 표현을 학습하기 위한 베이지안 접근 방식 (Bayesian approach)을 제안합니다. 이를 위해, 우리는 인과적 가정 (causal assumptions)과 해석 가능성 요구 사항 (interpretability desiderata)을 계층적 모델 (hierarchical model) 내의 적절한 사전 확률 (priors) 및 매개변수 선택 (parametric choices)으로 변환합니다. 그런 다음, 결과로 나타나는 다중 모드 사후 확률 (multimodal posterior)을 근사하기 위해 순차적 몬테카를로 샘플링 (sequential Monte Carlo sampling)에 기반한 추론 체계를 고안합니다. 우리는 사회 조사 데이터 (social survey data)에 대한 사례 연구를 통해 우리의 접근 방식을 입증하며, 여기서 잠재적 인과 개념은 문화적 가치나 정치적 견해에, 측정값은 설문 응답에, 환경은 서로 다른 국가나 주 (states)에 대응합니다. 우리의 모델은 의미 있는 고수준 개념과 그들 사이의 타당한 인과 관계를 추론함으로써, 복잡한 실제 데이터의 인과 표현을 학습하는 데 있어 유용성을 입증합니다.