고차원 DAG 학습을 위한 빠른 인과 추론 알고리즘 RFCI

본 논문은 잠재 변수와 선택 변수가 무한히 존재할 수 있는 상황에서 인과 관계를 학습하는 문제를 다루며, 기존의 Fast Causal Inference(FCI) 알고리즘이 대규모 그래프에 적용하기에는 계산 비용이 과도하다는 점을 지적한다. 이를 해결하고자 저자들은 Really Fast Causal Inference(RFCI)라는 새로운 알고리즘을 제안한다. 1. **배경 및 기존 연구** - 인과 충분성 가정이 성립하지 않을 경우, 즉 잠재·선택 변수가 존재하면 DAG만으로는 관측 변수 간의 독립 관계를 완전히 설명할 수 없으며, 이때는 Maximal Ancestral Graph(MAG)와 Partial Ancestral Graph(PAG)라는 확장된 그래프 모델이 필요하다. - FCI는 이러한 MAG을 추정하기 위해 설계된 알고리즘으로, 조건부 독립 검정을 반복적으로 수행해 그래프의 가장자리와 방향을 결정한다. 그러나 모든 가능한 조건부 집합을 탐색하므로 변수 수가 늘어날수록 검정 횟수가 기하급수적으로 증가한다. 2. **RFCI 알고리즘 설계** - RFCI는 크게 네 단계로 구성된다. (a) **Skeleton 단계**: PC 알고리즘과 유사하게 인접성을 제거하되, 검정에 사용되는 조건부 집합의 크기를 제한한다. (b) **V‑structure 판별**: 남은 인접 쌍에 대해 최소 차수의 조건부 집합만을 사용해 collider 여부를 판단한다. (c) **Orientation 단계**: FCI에서 사용되는 복잡한 orientation 규칙 중 일부(예: rule R1~R4)를 적용하되, 고차원 조건부 집합을 필요로 하는 규칙은 생략한다. (d) **Finalization**: 남은 불확정적 가장자리(원형 마크)를 유지하면서 최종 PAG를 출력한다. - 핵심 아이디어는 “필수적인” 검정만을 수행함으로써 검정 횟수를 크게 줄이는 동시에, 인과 방향성에 대한 오류를 방지하는 것이다. 3. **이론적 결과** - **정확성(Soundness)**: RFCI가 출력하는 PAG는 실제 MAG의 모든 인과 정보를 포함한다. 즉, RFCI가 놓치는 것은 일부 조건부 독립성(특히 고차원 조건부 집합에 의존하는 경우)뿐이며, 방향성 오류는 발생하지 않는다. - **완전성(Completeness)**: 특정 그래프 클래스(예: “RFCI‑compatible” 클래스)에서는 RFCI와 FCI가 동일한 PAG를 산출한다. 이 클래스는 모든 collider와 non‑collider 관계가 낮은 차수의 조건부 집합으로 판별 가능한 경우를 포함한다. - **고차원 일관성**: 변수 수 p가 샘플 수 n보다 크게 차이나는 희소 설정을 가정한다. 그래프의 최대 차수가 O(log p) 이하이고, 조건부 독립 검정에 사용되는 통계량이 충분히 강력하면, RFCI는 확률 1에 수렴하여 true MAG을 복구한다. 이때 요구되는 희소성 조건은 FCI보다 완화된다. 4. **시뮬레이션 및 실험** - 다양한 시뮬레이션 환경(노드 수 50, 100, 200; 잠재·선택 변수 비율 0~0.5; 그래프 밀도 0.1~0.3)을 설정해 FCI, Anytime FCI, Adaptive Anytime FCI(AAF‑CI), 그리고 RFCI를 비교했다. - **실행 시간**: RFCI는 동일한 조건에서 FCI보다 평균 10~30배 빠르게 수렴했으며, 특히 200노드 이상에서는 FCI가 실질적으로 실행 불가능한 수준에 이르렀다. - **구조 정확도**: 정밀도와 재현율 측면에서 RFCI와 FCI는 차이가 미미했으며, AAF‑CI와도 비슷한 수준을 보였다. 특히 작은 샘플 크기(n ≈ 200)에서도 RFCI는 고차원 검정에 대한 전력 손실이 적어 안정적인 결과를 제공했다. - **소프트웨어 구현**: 모든 알고리즘은 R 패키지 `pcalg`에 구현되어 공개되었으며, 사용자는 `fci`, `rfci`, `anytime.fci` 등 함수 호출만으로 손쉽게 적용할 수 있다. 5. **의의 및 활용 가능성** - RFCI는 고차원 데이터(예: 유전체, 뇌영상, 소셜 네트워크)에서 잠재·선택 변수가 존재할 가능성이 높은 상황에 적합한 실용적인 도구이다. - 이론적으로는 FCI와 동일한 인과 방향성을 보장하면서도, 계산 복잡도가 크게 낮아 실제 연구에서의 적용 장벽을 크게 낮춘다. - 또한, RFCI와 FCI의 차이를 명확히 정의한 “RFCI‑compatible” 그래프 클래스는 향후 알고리즘 설계와 성능 분석에 중요한 기준이 될 수 있다. 결론적으로, 저자들은 기존 FCI의 계산적 한계를 극복하고, 고차원 희소 환경에서도 일관적인 인과 구조 복구를 보장하는 RFCI 알고리즘을 제안함으로써 인과 추론 분야에 중요한 기여를 했다.