Causal Inference - Part 6

Causal Inference - Part 6

Contents

1. ML vs. CI
2. ML에서 CI의 필요성
3. ML in CI
   1. CI 기반의 ML
   2. ML을 활용한 CI 보조
   3. DL 기반 CI 모델

1. ML vs. CI

항목	머신 러닝 (ML)	인과 추론 (CI)
목표	예측 (예: $P(Y \mid X)$)	인과 효과 추정 (예: $P(Y \mid \text{do}(X))$)
학습 방식	주어진 데이터로 패턴 학습	개입 또는 반사실 시나리오 고려
전제	i.i.d. (독립 동일 분포), 상관관계 중심	인과 구조, 개입 및 반사실 기반
한계	개입 상황에서 잘 작동 안 함	개입/정책/설명에 강함

2. ML에서 CI의 필요성

1. 일반화 (Generalization):
   • 데이터 분포가 바뀌면 기존 ML모델은 성능 저하 (e.g., covariate shift, concept drift)
   • 인과 모델은 도메인 간 전이 학습(domain adaptation)에 강함
2. 정책 결정 / 개입 추천:
   • 다양한 분야에서 “무엇을 하면 결과가 바뀔까?”라는 질문에 답하려면 인과 추론이 필요!
3. 설명가능성 (Explainability):
   • 상관관계가 아닌 “원인-결과” 관계를 알려줌

3. ML in CI

(1) CI 기반의 ML

(SCM 또는 RCM 기반) CI 구조 + ML 모델

• e.g., 인과 그래프 (CI)를 학습 (ML)
• e.g., 인과 관계 (CI) 를 반영한 예측모델 (ML) 설계

Example

$Y = f(X, \text{do}(T))$.

• $T$: 개입 변수, $X$: 공변량, $Y$: 결과

$\rightarrow$ 인과 그래프를 이용해 backdoor adjustment로 보정

(2) ML을 활용한 CI 보조

머신러닝 기법을 이용해 인과 추론의 각 단계를 자동화하거나 강화함:

단계	인과 추론 작업	머신러닝 활용 예
인과 구조 학습	DAG 구조 학습	GNN, NOTEARS 등
반사실 추정	$Y(0), Y(1)$ 추정	TARNet, CFRNet, GANITE 등
효과 추정	ATE, ITE 등	X-Learner, T-Learner, S-Learner 등
변수 선택	Confounder 탐지	Representation learning, Invariant learning

(3) DL 기반 CI 모델

a) TARNet / CFRNet

• 목적: 조건부 인과 효과 (CATE: Conditional Average Treatment Effect) 추정
• 핵심: 처치군과 대조군을 shared representaiton space로 매핑

b) GANITE

• 목적: 개별 인과 효과 (ITE: Individual Treatment Effect) 추정
• 핵심: GAN 기반으로 잠재 결과 Y(0), Y(1) 생성

c) CausalBERT

• Text-based 인과 추론
  • BERT를 fine-tune하여 treatment, outcome 관계 파악

자세한건 다음 포스트에!