Core Concepts
관찰 데이터로부터 각 내생 변수의 외생 변수를 복구하고, 복구된 외생 변수의 분포를 유연한 모델로 근사하여 구조적 인과 모델의 대리 모델 정확도를 향상시킨다. 이를 통해 일반적인 인과 모델에 대한 인과 베이지안 최적화 기법을 개발한다.
Abstract
이 논문은 구조적 인과 모델(SCM)에서 목표 변수를 최대화하는 문제를 다룬다. 기존 인과 베이지안 최적화(CBO) 방법은 인과 구조를 변경하는 강력한 개입이나 내생 변수에 액션 노드를 도입하여 목표를 달성하는 데 초점을 맞추었다.
본 논문에서는 새로운 EXCBO 방법을 제안한다. 관찰 데이터로부터 각 내생 변수의 외생 변수를 복구하고, 복구된 외생 변수의 분포를 유연한 모델로 근사한다. 이를 통해 기존 CBO 방법의 제한적인 가정을 극복하고 일반적인 인과 모델에 대한 CBO 기법을 개발한다.
제안된 EXCBO 알고리즘은 다음과 같은 단계로 구성된다:
관찰 데이터로부터 각 내생 변수의 외생 변수를 인코더-디코더 프레임워크를 통해 복구한다.
복구된 외생 변수의 분포를 유연한 모델(예: 가우시안 혼합 모델)로 근사한다.
근사된 외생 변수 분포를 활용하여 구조적 인과 모델의 대리 모델을 학습한다.
대리 모델을 기반으로 상한신뢰구간(UCB) 획득 함수를 최적화하여 다음 개입 액션을 선택한다.
제안 방법의 이론적 분석을 통해 EXCBO 알고리즘이 하위선형 누적 후회 경계를 달성함을 보였다. 다양한 실험 결과에서도 EXCBO가 기존 방법들에 비해 우수한 성능을 보였다.
Stats
외생 변수 U의 분포는 가우시안 혼합 모델로 표현된다: p(U) = w1N(μ1, c1σ) + w2N(μ2, c2σ), 여기서 w1, w2, c1, c2 > 0.
내생 변수 X는 다음과 같은 분해 가능한 구조로 생성된다: X = fa(Z) + fb(Z)fc(U), 여기서 fb(Z) ≠ 0.
Quotes
"외생 변수 분포 학습은 관찰 데이터로 제한된 구조적 인과 모델의 대리 모델 정확도를 향상시킨다."
"제안된 EXCBO 방법은 기존 CBO 방법의 제한적인 가정을 극복하고 일반적인 인과 모델에 대한 CBO 기법을 개발한다."