[Causal ML] 강연자료 정리

 

 

◯  Causal representation learning 

---

 

출처 

 

•  복잡한 학습 모델의 특성에 대해 이해하기 위해 최근 딥러닝 분야에서 인과추론에 대한 관심이 높아지고 있다. 

•  causality 를 활용한다면 관찰된 상황과 다른 환경에서도 robust 한 예측을 할 수 있으며 데이터 사이의 인과관계도 파악할 수 있기 때문에 causality 관점이 반드시 필요하다. causality 를 통해 ML 의 한계점을 극복할 수 있다. 

•  딥러닝 창시자 요슈아 벤지오는 AI 를 개발할 때 인지능력을 더한다면 머신러닝과 관련된 문제들이 설명 가능하게 될 것이라 전망했다. 사람이 의식하는 인지능력을 실현할 수 있는 새로운 학습 모델이 필요하다며 인과학습의 중요성을 언급했다. 

 

 

 

 

 

 

◯ Causal machine learning in practice : Netflix 

---

 

서울대강연

 

•  머신러닝은 '넷플릭스가 콘텐츠 리스트에 D.P 대신에 오징어게임을 상단에 놓는다면 이용자의 콘텐츠 이용을 증대시킬 수 있을까' 와 같은 "What if" 문제에 답하지 못한다. 

 

•  머신러닝에서 인과추론의 장점을 사용할 수 있을까

↪ 데이터로부터 인과구조를 발견하고, 이질적인 처치효과를 추정하기 위한 복잡한 함수를 학습한다. 

 

 

 

•  인과효과를 추정하는 방법 

↪ RCT (ATE) , Controlling confounders (CATE), IV (LATE) 

 

 

 

 

•  CATE estimation with ML 

 

↪ Meta-learning 은 CATE (conditional average treatment effect) estimation 을 위한out of the box  ML model 을 이용한다. 

↪ Double/Orthogonalized learning 은 Propensity score 와 outcome model 을 결합한다. 

↪ Tree-based model 은 CART/RF 의 node split 기준을 변경한다. 

↪ Neural Net-based model 은 공유된 representation layer 를 가지고 control 과 treatment 에 대한 결과를 동시에 학습한다. 

 

 

 

 

•  Causal ML tools 

 

↪ R : grf 

 

↪ Python 

     ▸ do-calculus 에 기반한 인과구조를 도출해낼 수 있는 인터페이스를 제공 :  Dowhy

     ▸ ML에 기반한 CATE 추정 방법을 제공 : EconML

     ▸ ML에 기반한 CATE 추정 방법을 제공 : Causal ML 

 

causal ML 패키지 활용 예시

 

 

   ▸ PySpark 와 H2O 를 가지고 modeling 을 함으로써 scalable 한 모델 : upliftML 

 

 

 

 

 

 

•  Causal ML 실제 산업 적용 case 

 

↪ Observational causal inference : 고객 가치 변화 발생 분석 프로젝트에서, 교차 판매 전환 (Cross-selling) 이 기존 사용자의 장기적 가치에 미치는 영향을 측정

 

 

※ Cross-selling : 기업의 제품과 서비스 중 하나를 구매한 고객에게 그 기업이 제공하는 다른 제품이나 서비스를 추가적으로 판매하는 전략을 말한다. 가령 와이셔츠를 산 사람에게 어울리는 타이를 제안하는 경우를 말한다. 

 

 

↪ Targeting optimization : RTB Targeting Optimization 프로젝트에서는 업리프트 모델링을 사용하여 설득력 있는 사용자 그룹 (광고노출에만 반응하는 사용자) 을 선택하여 광고 비용 수익률을 최적화했다. 

 

 

 

↪ Personalization : 우리는 heterogeneous treatment effect 를 학습함으로써 사용자와 더 효과적으로 관계를 맺을 수 있다. 예를 들어, 시청할 증분 쇼 추천, 사전 고객 지원 제공 등이 있다. 

 

 

 

 

 

 

◯ Causal Inference: Question of Why

---

 

고려대 산공 세미나 

 

 

•  AI 는 데이터의 상관관계 패턴을 학습한다. 외부환경에 따른 데이터의 변화나 패턴 변화가 적은 분야 (NLP, vision, collaboration filtering) 에서는 성능이 뛰어나다. 그러나 분류,예측,추천의 결과가 왜 나왔는지에 대해서는 궁극적으로 설명하지 못한다. 

 

•  XAI 로도 인과관계는 알 수 없다.