관계형 구조적 인과 모델(relational SCM)은 Pearl의 구조적 인과 모델을 객체와 관계가 변하는 환경으로 확장한 프레임워크다. 저자들은 보지 못한 객체 조합에 대한 인과 질의뿐 아니라 관측 질의조차 추가 가정 없이는 식별 불가능함을 보이고, 이를 해결하기 위해 관계형 인과 그래프와 기호적 식별 기준을 도출한다. 미관측 교란이 있는 경우에도 식별이 가능하도록 설계했다. 제안한 관계형 신경 인과 모델은 차량·신호·보행자 수가 달라지는 시뮬레이션 교통 장면에서 비관계형 기준선을 능가하며, 조합적 일반화가 가능한 인과 추론의 토대를 제시한다.
- •Pearl의 SCM을 객체·관계가 변하는 관계형 환경으로 확장
- •보지 못한 객체 조합에 대한 관측·인과 질의는 추가 가정 없이 식별 불가능함을 증명
- •관계형 인과 그래프와 기호적 식별 기준을 도출, 미관측 교란 상황도 포괄
- •관계형 신경 인과 모델이 시뮬레이션 교통 장면에서 비관계형 기준선 능가
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Relational Structural Causal Models
- 1.구조적 인과 모델(Pearl 2009)을 객체·관계가 변하는 관계형 설정으로 확장한 RSCM 제안
- 2.추가 가정 없으면 미관찰 객체 조합에 대한 인과·관측 질의 식별이 불가능함을 증명
- 3.관계형 인과 그래프를 정의하고 기호적 식별 기준을 도출, 미관찰 교란까지 대응
- 4.관계형 신경 인과 모델이 가변 교통 장면에서 비관계형 기준선 능가
왜 중요한가?
AI가 개입·반사실 추론을 지원하는 인과성과 미지의 객체 조합에 일반화하는 조합성을 동시에 갖추려면 무엇이 학습 가능한지를 형식적으로 규명해, 변하는 객체·관계 환경에서 증명 가능한 인과 추론 모델의 이론적 기반을 마련했다.
인과 모델링에 대한 이 연구는 한국이 목표로 하는 설명 가능한 AI (XAI) 및 신뢰할 수 있는 AI 개발에 있어 근본적인 진전을 의미합니다. 특히 의료 AI나 금융 예측 등 의사결정의 투명성과 견고성이 요구되는 분야에서 AI가 단순한 패턴 인식을 넘어 개입과 반사실적 추론을 수행하도록 돕는 중요한 기술 기반이 될 수 있습니다. 이는 AI 윤리 및 규제 논의가 활발한 국내 환경에서 더욱 중요하게 다루어질 것입니다.
본문 미리보기
arXiv:2606.14892v1 Announce Type: new Abstract: An artificial intelligence must have a model of its environment that is causal, supporting reasoning about interventions and counterfactuals, and also combinatorial, supporting generalization to unseen combinations of objects. In this work, we formally study when and how such a model can be learned. We develop relational structural causal models, extending structural causal models (Pearl 2009) to settings where objects and their relations vary. Fi
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:49AI 초안
