[논문] 엔트로피 추론으로 만든 인과 아틀라스: 최적 DAG를 넘어서는 베이지안 네트워크

출처: arXiv - 2606.06440v1

개요

데이터 기반 인과 관계 식별은 과학 안팎의 복잡계 이해를 증진하는 데 중요합니다. 베이지안 네트워크는 방향성 비순환 그래프(DAG)를 통해 일반적인 인과 관계를 확률적으로 모델링하는 방법을 제공합니다. 그러나 베이지안 네트워크를 구축하는 전통적인 기법은 최적화에 의존하는데, 이는 기본 데이터가 여러 인과 사슬을 허용할 수 있기 때문에 인과 관계 학습에 부적합할 수 있습니다. 데이터에 더 충실한 인과 관계 표현은 기본 데이터에 내재된 변동성을 반영하는 여러 인과 지도(맵)를 구성할 수 있는 프레임워크를 제공할 것입니다. 여기서는 엔트로피 기반 추론이 기본 데이터와 일치하는 가능한 인과 관계의 지도(atlas)를 생성한다는 점을 보여줍니다. 2-노드와 20-노드 선형 구조 방정식 모델의 잡음이 섞인 시뮬레이션 데이터를 대상으로, 우리는 최대 엔트로피 그래프 집합을 샘플링하여 기본 인과 관계에 내재된 구조적 모호성을 정량화합니다. 우리의 방법은 “최적화된” DAG가 인과적 인공물(artifact)을 포함할 수 있으며, 동일한 정확도를 가진 토폴로지들 사이에서 일관되지 않을 수 있음을 보여줍니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• stat.ML

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Hazhir Aliahmadi
• Irina Babayan
• Greg van Anders

논문 정보

• arXiv ID: 2606.06440v1
• 분류: cs.LG, stat.ML
• 발표일: 2026년 6월 4일
• PDF: PDF 다운로드