잠재 교란(latent confounding) 하에서 베이지안 인과 발견의 사후분포가 어떻게 실패하는지를 선형 가우시안 모델에서 정밀하게 규명한 연구다. 두 관측 변수 사이의 가산적 잠재 교란에 초점을 맞춰, 점수 함수가 교란된 변수 쌍 사이에 허위 간선이 있는 그래프를 선호하게 되는 임계 상관계수를 유도했다. 특히 이 임계값은 표본 크기가 커질수록 낮아져, 데이터가 많을수록 더 약한 상관에서도 허위 간선이 선호되는 역설적 현상이 나타난다. 임계값 초과 시에는 교란 변수 주변 국소 구조에 따라 두 가지 서로 다른 사후분포 실패 레짐이 발생함을 특성화했고, 여러 그래프 구조의 정확한 사후 계산으로 이를 확인했다. 사후 불확실성 정량화가 교란을 감지해 준다는 기대에 경고를 던지는 결과다.
- •두 관측 변수 간 가산적 잠재 교란에서 허위 간선이 선호되는 임계 상관계수를 이론적으로 유도
- •표본이 많을수록 임계값이 낮아져 데이터 추가가 오히려 허위 구조를 강화
- •교란 변수 주변 국소 구조에 따른 두 가지 사후분포 실패 레짐 특성화
- •여러 그래프 구조의 정확한 사후 계산으로 예측된 실패 레짐 실증
How Does Bayesian Causal Discovery Fail? Characterising Structural Consequences in Linear Gaussian Networks under Latent Confounding
본문 미리보기
arXiv:2607.09449v1 Announce Type: new Abstract: Bayesian causal discovery is widely used for its ability to quantify epistemic uncertainty over directed acyclic graphs (DAGs) through posterior inference. However, its behaviour under latent confounding remains poorly understood, as existing work typically notes that confounding breaks identifiability without characterising how the posterior distribution over DAGs responds. In this work, we analyse posterior behaviour under latent confounding in
전체 내용이 궁금하다면?
원문을 직접 읽어보세요