[논문 리뷰] Causal Discovery and Causal Learning for Fire Resistance Evaluation: Incorporating Domain Knowledge

M.Z. Naser, Aybike Özyüksel Çiftçioğlu|arXiv (Cornell University)|2022. 04. 11.

Concrete Corrosion and Durability인용 수 5

한 줄 요약

이 논문은 강성 콘크리트(RC) 부재의 내화성 평가를 위해 도메인 지식과 기계학습을 융합한 인과 발견 및 추론 프레임워크를 제안한다. 인과 발견 알고리즘을 사용해 핵심 변수 간의 인과적 구조를 식별하고, 인과 추론 방법을 통해 간섭 효과를 추정함으로써 기존의 기계학습 기반 접근법과 도메인 지식 전용 접근법에 비해 뛰어난 해석 가능성과 정확도를 입증한다.

ABSTRACT

Experiments remain the gold standard to establish an understanding of fire-related phenomena. A primary goal in designing tests is to uncover the data generating process (i.e., the how and why the observations we see come to be); or simply what causes such observations. Uncovering such a process not only advances our knowledge but also provides us with the capability to be able to predict phenomena accurately. This paper presents an approach that leverages causal discovery and causal inference to evaluate the fire resistance of structural members. In this approach, causal discovery algorithms are adopted to uncover the causal structure between key variables pertaining to the fire resistance of reinforced concrete (RC) columns. Then, companion inference algorithms are applied to infer (estimate) the influence of each variable on the fire resistance given a specific intervention. Finally, this study ends by contrasting the algorithmic causal discovery with that obtained from domain knowledge and traditional machine learning. Our findings clearly show the potential and merit of adopting causality into our domain.

연구 동기 및 목표

• 데이터 기반 방법을 활용해 강성 콘크리트(VC) 부재의 내화성 평가를 위한 인과 프레임워크를 개발한다.
• 인과 발견 알고리즘을 통해 내화성에 영향을 미치는 핵심 변수 간의 인과 관계를 규명한다.
• 인과 추론 기법을 활용해 내화성에 대한 간섭의 영향을 추정한다.
• 제안된 인과적 접근법을 기존의 기계학습 및 도메인 지식 전용 방법과 비교한다.
• 인과적 추론을 통합함으로써 구조적 내화 안전성 평가의 해석 가능성과 예측 정확도를 향상시킨다.

제안 방법

• RC 부재의 내화성에 영향을 미치는 변수 간의 인과적 구조를 추론하기 위해 인과 발견 알고리즘을 활용한다.
• 콘크리트 강도나 철근 비율의 변화와 같은 간섭의 영향을 추정하기 위해 인과 추론 알고리즘을 적용한다.
• 구조공학 분야의 도메인 지식을 활용해 인과적 구조 발견 과정을 이끌고 검증한다.
• 데이터 기반 발견과 전문가 지식을 융합한 하이브리드 접근 방식을 통해 모델의 강건성과 신뢰성을 향상시킨다.
• 기존의 도메인 지식과 기계학습 기반 기준 모델과의 비교를 통해 인과 모델을 검증한다.
• RC 부재의 내화성 실험 데이터셋을 활용해 인과 모델의 학습 및 평가를 수행한다.

실험 결과

연구 질문

• RQ1 콘크리트 강도, 철근 비율 등의 핵심 변수와 RC 부재의 내화성 간에 존재하는 인과 관계는 무엇인가?
• RQ2 기존의 기계학습 모델과 비교해 인과 모델의 예측 성능는 어떻게 평가되는가?
• RQ3 도메인 지식을 통합할 경우 인과 발견의 정확도와 해석 가능성은 어느 정도 향상되는가?
• RQ4 발견된 인과적 구조는 기존의 공학 원칙과 도메인 지식과 얼마나 일치하는가?
• RQ5 인과 모델이 추론한 특정 간섭(예: 철근 비율 증가)이 내화성에 미치는 영향은 무엇인가?

주요 결과

• 인과 발견 접근법은 구조공학 원칙과 일치하는 일관된 인과적 구조를 성공적으로 규명하였다.
• 도메인 지식의 통합은 발견된 인과 그래프의 신뢰성과 해석 가능성에 크게 기여하였다.
• 인과 추론을 통해 간섭 효과를 정확하게 추정할 수 있었으며, 콘크리트 강도 증가가 내화 지속 시간에 미치는 영향 등도 잘 반영하였다.
• 특히 분포 이질성 발생 상황에서도 기계학습 기반 모델에 비해 인과적 접근법이 해석 가능성과 일반화 능력 면에서 뛰어난 성능을 보였다.
• 순수한 데이터 기반 접근보다 인과 모델이 전문가 지식과 더 높은 일치도를 보였으며, 부작위 상관관계를 줄이는 데 기여하였다.
• 핵심 매개변수의 인과적 영향을 정량화함으로써 구조 설계에 실질적인 통찰을 제공하는 프레임워크를 제공하였다.