로컬 탐색을 활용한 하이브리드 전역 인과 발견

알려지지 않은 인과 모델에 해당하는 고유한 방향성 비순환 그래프를 학습하는 것은 도전적인 과제입니다. 함수적 인과 모델에 기반한 방법은 고유한 그래프를 식별할 수 있지만, 차원의 저주에 시달리거나 강한 파라메트릭 가정을 요구합니다. 이러한 문제를 해결하기 위해, 우리는 관찰 데이터에서 로컬 인과 하위구조를 활용하는 새로운 하이브리드 전역 인과 발견 접근법을 제안합니다. 먼저, 선형 구조 방정식 모델에서 조상 관계를 활용하여 보다 많은 인과 정보를 인코딩하는 기존 방법이 생성하는 선형 순서보다 더 압축된 상향식 계층적 순서를 확립하는 위상 정렬 알고리즘을 소개합니다. 이 접근법이 임의 잡음이 포함된 비선형 환경으로 일반화됨을 증명합니다. 그 다음, 지역 조건 집합을 탐색하여 가짜 간선을 제거하는 비모수 제약 기반 알고리즘을 도입하여 기존 방법보다 높은 정확성을 달성합니다. 올바름에 대한 이론적 보장과 최악의 경우 다항식 시간 복잡도를 제공하며, 합성 데이터에서 실증적으로 검증합니다.