인공지능이 환경을 이해하고 적절한 행동을 결정하려면 인과적 추론과 조합적 일반화를 동시에 지원하는 모델이 필요하다. 6월 12일 arXiv에 공개된 논문은 이 두 가지 요구를 충족하는 ‘관계형 구조적 인과 모델(Relational Structural Causal Models)’을 이론적으로 정립했다. 연구진은 진 펄(Judea Pearl)의 구조적 인과 모델 체계를 확장해 객체와 그 관계가 동적으로 변하는 환경에서도 작동하도록 공식화했다. 논문은 이러한 설정에서 관측 쿼리뿐 아니라 인과 쿼리에 대한 답을 특정 가정 없이는 식별할 수 없음을 이론적으로 보이고, 미관측 교란 변수가 존재하는 경우를 포함해 이를 가능하게 하는 식별 조건을 관계형 인과 그래프와 기호 기준의 형태로 도출했다.
연구진은 이론적 분석에서 나아가 관계형 신경 인과 모델(relational neural causal models)을 제안했다. 이 방법은 이론적으로 올바름이 증명 가능하며, 자동차·신호등·보행자가 다양하게 조합된 시뮬레이션 교통 장면에서 관계를 고려하지 않는 비관계형 기준 모델보다 우수한 성능을 보였다. 객체의 수와 조합이 계속 달라지는 실세계 시나리오에서 인과 관계를 안정적으로 학습하는 것은 자율주행, 로보틱스, 시뮬레이션 기반 의사결정 등 다양한 응용 분야의 핵심 과제로 꼽혀왔다.
이 연구는 인과 추론과 구조적 일반화 사이의 간극을 메우려는 이론 기반 접근으로, AI 모델이 새로운 객체 조합을 접했을 때도 인과 관계를 올바르게 파악하고 반사실적(counterfactual) 질문에 답하는 능력을 갖추도록 하는 방향을 제시한다. 대규모 언어 모델(LLM)의 추론 능력이 주목받고 있는 현시점에서, 구조적 인과 모델과 신경망을 결합하는 이 같은 연구는 AI의 신뢰성 있는 추론 기반을 강화하는 데 기여할 것으로 평가된다.
