인과 표현 학습을 향하여 (Towards Causal Representation Learning)

기존 머신러닝 알고리즘은 주로 데이터의 상관관계(Correlation)에 의존하며, 이는 i.i.d.(독립 동일 분포) 가정에 기반한다. 하지만 실제 환경에서는 데이터 분포가 변하는 Domain Shift나 시간적 구조 변화가 빈번하며, 이로 인해 모델의 **Robustness(강건성)**가 저하되는 문제가 발생한다.

또한, 기존 모델은 새로운 환경이나 작업에 직면했을 때 이전 지식을 재사용하는 능력이 부족하다. 반면, 물리적 인과 기제를 모듈화하여 학습하는 방식은 새로운 태스크를 수행할 때 기존 모듈을 재사용하거나 일부만 학습함으로써 효율적인 **Generalization(일반화)**을 달성할 수 있다.

본 글은 인과 추론의 관점에서 머신러닝의 세 가지 주요 과제를 다룬다.

• Robustness: 데이터 분포 변화에 대응하는 강건한 예측
• Learning Reusable Mechanisms: 모듈화된 인과 기제를 통한 지식 재사용
• Causality Perspective: 상관관계를 넘어선 인과 관계의 이해

이를 위해 물리 시스템 모델링 방법론과 인과 관계 추정을 위한 핵심 원칙, 그리고 인과 표현 학습(Causal Representation Learning)을 통해 기존의 데이터 증강, 자기 지도 학습 등의 기술을 어떻게 재해석할 수 있는지 탐구한다.