극단적으로 탐욕적인 등가 검색 (XGES): 인과 추론의 새로운 지평을 열다

Achille Nazaret과 David Blei가 개발한 XGES 알고리즘은 기존 GES 알고리즘의 한계를 극복하여 인과 관계 추론의 정확도와 속도를 크게 향상시켰습니다. 엣지 삭제 우선 전략을 통해 지역적 최적값 문제를 해결하고, Python과 C++ 구현체를 공개하여 활용성을 높였습니다.

인과 관계를 데이터에서 추론하는 것은 인공지능 분야의 오랜 숙제였습니다. 데이터로부터 방향성이 있는 비순환 그래프(DAG)를 학습하는 인과 발견(Causal Discovery) 은 이 숙제의 핵심입니다. 이 분야에서 가장 널리 알려진 방법 중 하나가 바로 탐욕적인 등가 검색(GES) 입니다. GES는 모델 선택 기준을 극대화하기 위해 반복적으로 가장 효율적인 방법으로 엣지를 추가하거나 제거하며 그래프를 탐색합니다. 하지만 이론적으로 무한한 데이터에서는 강력한 성능을 보장하지만, 현실의 유한한 데이터에서는 한계를 보입니다.

Achille Nazaret과 David Blei가 발표한 논문 "Extremely Greedy Equivalence Search"는 바로 이러한 GES의 한계를 극복하기 위한 야심찬 시도입니다. 연구진은 GES가 특히 밀집된 그래프에서 지역적 최적값에 갇히는 현상을 주요 실패 원인으로 지적했습니다. 이는 마치 산에서 가장 높은 봉우리를 찾으려 하는데, 작은 언덕에 올라가 더 이상 오를 곳이 없다고 착각하는 것과 같습니다.

이 문제를 해결하기 위해 제시된 것이 바로 극단적으로 탐욕적인 등가 검색(XGES) 입니다. XGES는 엣지를 추가하는 것보다 초기 단계에서 엣지를 삭제하는 것을 우선시하는 새로운 휴리스틱을 도입했습니다. 이는 마치 산을 오르기 전에 주변 지형을 먼저 넓게 조망하여 더 높은 봉우리를 찾는 것과 같습니다. 이 전략을 통해 지역적 최적값에 빠질 가능성을 크게 줄였습니다.

더 나아가, 연구진은 XGES(및 GES)의 효율적인 알고리즘 공식화를 제시했습니다. 모의 데이터셋을 이용한 실험 결과, XGES는 GES보다 정확한 그래프를 복원하는 데 탁월한 성능을 보였을 뿐만 아니라, 속도 또한 10배나 향상되었습니다. 더욱 놀라운 점은 Python과 C++ 구현체를 https://github.com/ANazaret/XGES 에서 공개하여, 누구든지 쉽게 사용하고 발전시킬 수 있도록 했다는 점입니다.

이 연구는 단순한 알고리즘 개선을 넘어, 인과 추론 분야의 실질적인 발전을 이끌어낼 잠재력을 지니고 있습니다. XGES는 더 정확하고 효율적인 인과 모델 학습을 가능하게 하여, 다양한 분야에서 인공지능의 활용 범위를 넓히는 데 기여할 것으로 기대됩니다. 이는 마치 인공지능이라는 거대한 산을 오르는 데 있어, 새로운 등반 루트를 개척한 것과 같습니다.