Module 6. 『인과추론』 1. Causality

📍 강의 자료 출처 : LG Aimers

1. 인과성에 대한 소개와 인과적 추론을 하기 위한 기본 개념

인과성 (Causality)

: 하나의 어떤 무엇인가가 다른 무엇을 생성함에 있어 영향을 미치는 것

인과성이 인공지능, 기계학습, 데이터사이언스와 어떤 연결고리가 있을까?
인공지능에 대한 일반적 정의를 보면, '에이전트(소프트웨어, 로봇 등)가 목표를 성취하기 위해 합리적인 액션을 취하는 것'이라 할 수 있다.
→ 환경에 변화를 줘서 원하는 상태로 변화시키는 인과관계로 해석 가능하다.

기계학습은 보통 '데이터의 상관성'을 학습한다.

데이터사이언스는 풀고자 하는 질문에 따라 다르겠지만 결과적으로 상관성과 인과성을 모두 복합적으로 고려한다.

+) Pearl 교수의 인과 계층

• level 1. Associational or Observational
  : 가장 기본적인 "관측" 계층으로, 시스템을 구성하고 있는 변수들의 상관성을 알 수 있다.
• level 2. Interventional or Experimental
  : "실험" 계층으로, 시스템을 중재(인터벤션)함으로써 나오는 결과를 파악하고자 한다.
• level 3. Counterfactual
  : 관측 값과 실험에 의한 값을 동시에 고려하는 반사실적 계층

데이터를 분석하고자 할 때 2가지 사항을 고려해야 한다.

1. 주어진 데이터가 상관성을 지니고 있는지 아니면 인과성을 지니고 있는지
2. 알고자 하는 질문이 단순히 조건부 확률과 갘은 상관성이 관한 것인지, 인과성에 관한 것인지

Structural Causal Model

실제 시스템을 수학적으로 추상화한 모델로,
관측 가능한 모든 변수 $V$를 생성하는 인과적 매커니즘을 정리하고 있다.

이 모델을 기반으로

• 어떠한 중재도 하지 않았을 경우 관측 가능한 모든 변수들에 대한 관측 분포를 볼 수 있다.
• 임의의 변수를 중재하는 경우(= 어떤 실험을 한다면) 실험에 대한 결과 분포가 나올 것이다.

중재변수 $x$를 중재한다 = 해당 변수의 함수값을 임의의 상수로 고정한다
→ $f(x)$ 대신 임의의 상수 $M_x$로 고정한 submodel을 정의한다.

⇒ 인과: 임의의 변수 집합 $X$가 있고 이 집합 $x$가 고정되었을 때 우리가 관심을 가지는 변수들 $Y$가 특정 값을 가질 확률은 어떻게 될 것인가
→ $P(y|do(x))$ 또는 $P_x(y)$

d-seperation
: 그래프에서 조건부 독립성을 읽어낼 수 있는 알고리즘

---