Document-based Causal Discovery란? 문서에서 인과 그래프(DAG)를 추출하는 방법

📄 문서에서 DAG을 그린다고? – Document-level Causal Discovery의 작동 원리와 실전 구조 🧭 문장이 아닌, 문서 전체를 본다는 것의 의미 우리는 논문, 정책 보고서, 기사 등을 읽을 때“원인 → 중간 단계 → 결과” 같은 흐름을 자연스럽게 파악한다. 예를 들어: “정부는 금리를 인상했다. 이에 따라 대출 금리가 상승했고, 소비가 위축되었다.” 이 문장을 따로따로 보면“무슨 일이 일어났는가”만 보이지만,전체적으로 읽으면 인과적 연결고리가 있다. 즉, 개별 문장 수준 인과가 아니라문서 수준의 인과 네트워크 (DAG)를 구성하는 것이다. 📌 왜 이걸 해야 할까? 논문이나 정책 보고서는 대부분 자연어로 쓰인다. 이런 문서 안에 어떤 인과관계가 포함되어 있는지를 파악하는 ..

• format_list_bulleted DAG
• · 2025. 5. 14.
• textsms

🔍 Pretrained Language Model으로 문장 속 인과관계 추출하기

🧠 언어에서 인과를 읽다 – Pretrained Language Model 기반 Cause–Effect Extraction 📍 문장에서도 인과를 찾을 수 있을까? 일상 언어나 뉴스, 논문 속에는 인과관계가 숨어 있다.“흡연은 폐암을 유발한다.”“운동 부족으로 인해 비만이 증가했다.”이런 문장은 단순한 서술이 아니라, 인과적 관계를 내포한다. 하지만 기계는 이런 문장을 보고 ‘무엇이 원인이고, 무엇이 결과인지’를쉽게 구분하지 못한다. 이를 해결하기 위해 등장한 것이 바로Pretrained Language Model 기반 인과 추출(Cause–Effect Extraction) 기술이다. 🤖 Pretrained Language Model이란? BERT, RoBERTa, T5, GPT 등으로 대표되는 ..

• format_list_bulleted DAG
• · 2025. 5. 13.
• textsms

🔍 Causal Discovery 총정리 – PC, GES, LiNGAM, NOTEARS 비교 가이드

🧠 인과 그래프란? 인과 그래프(Causal Graph)는 변수 간의 인과관계(causal relationship)를 시각적으로 표현한 도구이다.한 변수가 다른 변수에 영향을 주는 방향성을 화살표(→) 형태로 나타낸다. 이 그래프는 방향성이 있고, 순환하지 않는 구조를 가져야 하며,이를 통틀어 DAG(Directed Acyclic Graph)라고 부른다. 📌 DAG은 변수 간 인과성을 탐색할 때 핵심적인 구조로 활용된다.복잡한 데이터 속에서 어떤 변수가 원인이고, 어떤 변수가 결과인지 정리하는 데 매우 유용하다. 🎯 그런데… DAG은 누가, 어떻게 그려주는가? 이론상으로는 통계학자, 의사, 경제학자, 도메인 전문가가 인과 지식에 기반해 DAG을 그릴 수 있다.그러나 현실은 다르다. 변수 수가 ..

• format_list_bulleted DAG
• · 2025. 5. 13.
• textsms