LG AI 연구원, 고차원 데이터 인과 추론을 위한 SciNO 프레임워크 발표

최근 AI 학계의 화두는 모델의 성능 성장을 넘어 추론 능력과 신뢰성을 확보하는 것입니다. 특히 변수 간의 인과 관계를 밝히는 Causal Discovery 연구는 복잡한 현실 문제를 해결할 실용적 기술로 주목받고 있습니다.

기존의 순서 기반 Causal Discovery 방식은 고차원 환경에서 메모리 사용량이 급증하거나, MLP 기반 모델의 경우 미분 추정의 안정성이 떨어지는 한계가 있었습니다. 이를 해결하기 위해 LG AI 연구원은 SciNO(Score-informed Neural Operator) 프레임워크를 제안했습니다.

SciNO는 **Hilbert Diffusion Model(HDM)**의 이론적 관점을 채택하여, 데이터를 단순한 벡터가 아닌 연속적인 함수로 취급합니다. 이를 통해 Neural Operator가 score function뿐만 아니라 그 고차 도함수까지 안정적으로 근사할 수 있도록 설계되었습니다.

주요 특징 및 성과는 다음과 같습니다:

• FNO(Fourier Neural Operator) 기반 아키텍처를 통해 주파수 영역에서 신호를 처리하여 미분 정보를 효과적으로 학습합니다.
• LTE(Learnable Time Encoding) 모듈을 도입하여 연속적인 시간 변수에 대한 학습 가능한 임베딩을 제공합니다.
• 기존 모델인 DiffAN 대비 합성 데이터셋에서 평균 42.7%, 실제 데이터셋에서 평균 **31.5%**의 Order Divergence 감소를 달성하며 성능을 입증했습니다.

또한, SciNO를 LLM과 같은 자기회귀(Autoregressive) 모델과 결합하는 확률적 제어 알고리즘을 통해 인과 순서 추론 과정에 의미적 정보를 통합하는 방법론도 제시했습니다.