[논문 리뷰] Causality, Causal Discovery, and Causal Inference in Structural Engineering

M.Z. Naser|arXiv (Cornell University)|2022. 04. 04.

Bayesian Modeling and Causal Inference인용 수 7

한 줄 요약

이 논문은 구조공학 분야에서 인과성, 인과적 발견, 인과적 추론을 통합할 것의 필요성을 주장한다. 이는 상관관계 기반 모델을 넘어서기 위함이다. 논문은 기초 원리, 핵심 알고리즘(예: PC, LiNGAM, do-계산법), 그리고 실질적 사례 연구를 제시하여 인과 모델이 구조 시스템에서 간섭 분석과 '만약-그렇다면' 추론을 가능하게 하여 기존의 머신러닝보다 더 견고한 프레임워크를 제공함을 보여준다. 이는 변화에 대한 구조적 거동 예측과 이해에 유리하다.

ABSTRACT

Much of our experiments are designed to uncover the cause(s) and effect(s) behind a data generating mechanism (i.e., phenomenon) we happen to be interested in. Uncovering such relationships allows us to identify the true working of a phenomenon and, most importantly, articulate a model that may enable us to further explore the phenomenon on hand and/or allow us to predict it accurately. Fundamentally, such models are likely to be derived via a causal approach (as opposed to an observational or empirical mean). In this approach, causal discovery is required to create a causal model, which can then be applied to infer the influence of interventions, and answer any hypothetical questions (i.e., in the form of What ifs? Etc.) that we might have. This paper builds a case for causal discovery and causal inference and contrasts that against traditional machine learning approaches; all from a civil and structural engineering perspective. More specifically, this paper outlines the key principles of causality and the most commonly used algorithms and packages for causal discovery and causal inference. Finally, this paper also presents a series of examples and case studies of how causal concepts can be adopted for our domain.

연구 동기 및 목표

• 구조공학에서 정확한 예측과 간섭 분석을 위해 인과 모델링의 필요성을 확립하기.
• 기존 머신러닝 접근 방식과 대비하여 인과성의 우월성을 강조함으로써, 간섭과 반사적 추론을 다룰 때의 인과성의 우수성을 입증하기.
• 건축 및 구조공학 데이터에 적합한 핵심 인과적 발견 알고리즘과 추론 기법을 소개하기.
• 도메인 특화 사례 연구를 통해 인과성의 실질적 적용을 보여주기.
• 연구자와 전문가들이 구조적 거동과 성능을 모델링하기 위해 인과적 프레임워크를 채택하도록 안내하기.

제안 방법

• 논문은 인과성의 기초 개념을 설명하며, 간섭 분석을 위한 구조적 인과 모델(Structural Causal Models, SCMs)과 do-계산법을 제시한다.
• 관찰 데이터에서 인과 그래프를 학습하기 위한 주요 인과적 발견 알고리즘인 PC 알고리즘, LiNGAM, 점수 기반 방법 등을 검토한다.
• 잠재적 결과와 do-계산법을 포함한 인과 추론 기법을 상세히 기술하여 간섭 효과를 추정한다.
• 인과 방법을 구조공학적 맥락에 적용하기 위한 구현 가능한 도구 및 패키지(예: DoWhy, CausalNex, pcalg)를 제시한다.
• 사례 연구를 통해 실재 또는 시뮬레이션 데이터를 활용한 구조물 건강 모니터링, 재료 거동, 성능 예측에서의 인과 모델링을 설명한다.
• 인과적 발견과 추론을 통합하여 구조 시스템 모델링과 의사결정에 적용 가능한 통합 워크플로우를 제시한다.

실험 결과

연구 질문

• RQ1 표준 머신러닝 대비 인과적 발견은 구조공학 모델의 해석 가능성과 신뢰성에 어떻게 기여하는가?
• RQ2 구조공학 데이터에 적합한 주요 인과적 발견 알고리즘은 무엇이며, 일반적인 데이터 제약 조건 하에서의 성능은 어떠한가?
• RQ3 인과적 추론은 가상의 간섭 조건 하에서 시스템 반응을 정확하게 예측하는 데 어떻게 기여하는가?
• RQ4 인과 모델은 구조 성능 평가 및 설계 최적화에서 '만약-그렇다면' 분석을 어떻게 지원하는가?
• RQ5 실제 구조 시스템에 인과 방법을 적용할 때 발생하는 실질적 과제는 무엇이며, 이를 어떻게 해결할 수 있는가?

주요 결과

• 관찰 모델 대비 인과 모델은 간섭 조건 하에서의 구조적 거동 예측에 더 견고한 프레임워크를 제공한다.
• PC 및 LiNGAM 등의 인과적 발견 알고리즘은 제한된 표본 수가 있는 관찰적 구조 데이터에서도 효과적으로 인과적 구조를 추론할 수 있다.
• 인과적 추론은 재료 변경이나 설계 수정이 구조 성능에 미치는 영향과 같은 간섭 효과를 정밀하게 추정할 수 있다.
• 인과적 발견과 추론의 통합은 체계적인 '만약-그렇다면' 분석을 가능하게 하여 사전적 설계 및 유지보수 결정을 지원한다.
• 실제 사례 연구를 통해 인과 모델은 모델의 해석 가능성을 향상시키고, 구조 데이터에서 무의미한 상관관계에 대한 의존도를 감소시킴을 입증했다.
• DoWhy 및 CausalNex와 같은 도구들은 구조공학 애플리케이션에 적용 가능한 엔드 투 엔드 인과 모델링 워크플로우를 가능하게 한다.