NRF 신규과제 선정 동향
과제 개요
연구개발 계획서 내용
인과관계 분석 도구
Potential Outcome 방식
•
CausalML(Uber): 
causalml
causalml•
EconML(Microsoft): https://econml.azurewebsites.net/
SCM 방식
•
DoWhy(Microsoft): dowhy
dowhy인과학습
•
CATE 해석 및 검증
•
Policy learning 을 위한 손실 함수
Causal Process Mining
Causal process mining is an emerging sub-field of process mining that seeks to develop methods to discover and quantify cause-effect relations by analyzing process execution logs.
•
원인-효과 관계(cause-effect relations)를 중심으로 비즈니스 프로세스를 개선하기 위한 프로세스 마이닝 방법
◦
프로세스 마이닝을 통해 교란 변수의 confounding 효과를 발견 가능
머신러닝의 해석 가능성과 인과추론
Association (예: 각 국가별 초콜렛 소비량과 노벨상 수상자의 상관관계): 그래서 뭐?
Causality = Actionable Strategy 를 이끌어 낼 수 있음
→ 실제로는 Casuality는 커녕 Association (i.e., Prediction)도 쉽지 않음
•
예: NC Soft Global Churn Prediction Competition
Causal ML/DL
•
장점: 풍부한 데이터로부터 복잡한 특징 공간 발견 및 분석이 가능(예: heterogeneity treatment effect, uplift)
•
단점: 데이터 불완전성을 해결할 수는 없음 → 여전히 이론/도메인 지식에 기반한 개입이 요구됨
◦
주요 요인: 측정되지 않은 교란 변수(Unmeasured confounding variables)
•
활용: 실험(intervention)
◦
예(Facebook): Agile한 A/B 테스트 파이프라인을 구축하면서 Causality를 분석
◦
ML/DL Causal Model은 A/B 테스트의 효율을 높여주거나(예: MAB), Additional Value를 더해줄 수 있다(예: Uplift)
•
인과추론의 단계
1.
Association
2.
Intervention
3.
Counter factuals
Causal ML 모델 접근법
•
Double Machine Learning : treatment effect estimators for all potential confounders/controls
•
Doubly Robust Learning : treatment effect estimators for all potential categorical confounders/controls
•
Metalearners : discrete treatment CATE estimators
시계열 분석 + Causal ML
Bayesian Structural Time-Series (Google)
•
구글의 광고 효과(On/Off)를 측정하기 위해 개발됨
•
일변량 시계열 대상
•
뚜렷한 패턴을 가지는 시계열에만 유효하게 적용 가능(예: clear trend/seasonal/cyclical) → 그러나, 시계열에는 관측되지 않은 외부 변수에 영향을 받는 경우가 많으므로 한계가 있음
Transfer Entropy
•
Granger Causality의 비모수적 방법
•
다변량 시계열 대상
•
명확한 인과 관계 도출 가능(예: 세포 간에 주고 받는 DNA 활성화 관련 영향)
참고 문헌
인과학습
•
•
◦
인과추론에 대한 풍부한 세미나 자료 제공
•
•
•
◦
인과 추론 관련 손실 함수
•
•
◦
Potential Outcome과 Structural Causal Model 비교
•
임성빈, 수학도가 인공지능 연구에 기여하는 방법, 고등과학원
•
•
•
•
Lagemann, K., Lagemann, C., Taschler, B., & Mukherjee, S. (2023). Deep learning of causal structures in high dimensions under data limitations. Nature Machine Intelligence, 5(11), 1306-1316.
•
Shalit, U., Johansson, F. D., & Sontag, D. (2017, July). Estimating individual treatment effect: generalization bounds and algorithms. In International conference on machine learning (pp. 3076-3085). PMLR.
•
Berti-Equille, Laure. "Learn2clean: Optimizing the sequence of tasks for web data preparation." The world wide web conference. 2019.
•
Künzel, S. R., Sekhon, J. S., Bickel, P. J., & Yu, B. (2019). Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the national academy of sciences, 116(10), 4156-4165.
◦
머신러닝 기반의 CATE 추정 방법 제안
•
Zagatti, Fernando Rezende, et al. "MetaPrep: Data preparation pipelines recommendation via meta-learning." 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2021.
•
Berti-Equille, Laure. "Reinforcement learning for data cleaning and data preparation." Proc. ACM SIGMOD Int. Conf. Manag. Data. 2019.
•
J. Pearl and D. Mackenzie, The Book of Why: The New Science of Cause and Effect, New York, Basic Books, 2018.
•
Willig, Moritz, et al. "The Causal Loss: Driving Correlation to Imply Causation." arXiv preprint arXiv:2110.12066 (2021).
◦
인과학습 관련 손실 함수
•
Schölkopf, Bernhard, et al. "Toward causal representation learning." Proceedings of the IEEE 109.5 (2021): 612-634.
인과학습 + 프로세스 마이닝
•
Bozorgi, Zahra Dasht, et al. "Process mining meets causal machine learning: Discovering causal rules from event logs." 2020 2nd International Conference on Process Mining (ICPM). IEEE, 2020.
•
