🧠 1. 논문 개요 AuthorElahe Khatibi1, Mahyar Abbasian1, Zhongqi Yang1, Iman Azimi1, and Amir M. KeywordsLLM Causal Discovery Publication DateMay 2, 2024 Abstract고차원 데이터셋에서 효과적인 인과 추론을 수행하기 위해서는 관찰 데이터를 기반으로 인과 그래프를 생성하는 인과 발견이 필수적입니다. 그러나 완전하고 정확한 인과 그래프를 얻는 것은 NP-난해 문제로 여겨지는 어려운 과제입니다. 본 연구에서는 데이터 기반 인과 발견 알고리즘과 LLM을 결합하여 더 견고하고 정확하며 설명 가능한 인과 그래프를 자동으로 생성하는 새로운 프레임워크인 '자율 LLM 증강 인과 발견 프레임워크(ALCM)..

1. 인과발견의 개념과 필요성 인과발견이란 데이터에서 변수 간의 인과관계를 밝히는 과정으로, 이 관계를 그래프 형태로 표현합니다. 인과발견이 중요한 이유는 특정 변수가 다른 변수에 미치는 영향을 정확하게 파악해야 목표 변수의 값을 효과적으로 제어할 수 있기 때문입니다. 예를 들어, 제조 공정에서 이상이 발생했을 때 원인이 되는 변수를 명확하게 특정해야 해당 변수를 모니터링하며 이상을 감지하고, 필요할 경우 해당 값을 조정하여 문제 발생을 방지할 수 있습니다. 일반적으로 변수 간의 관계를 확인할 때 상관관계를 이용하지였지만, 단순한 상관성만 확인해서는 인과관계를 명확히 밝힐 수가 없습니다. 예를 들어, X가 Y의 상관성이 높게 나타났을 때는 3가지 경우가 있을 수 있습니다.(1) X가 Y의 원인이다. (2..