본 논문은 실세계 관계형 데이터에서 잠재적 교란 변수가 존재하는 상황에서의 인과 효과 추정 문제를 다룹니다. 기존의 인과 발견 알고리즘들은 독립 동일 분포(i.i.d.) 데이터를 전제하거나, 인과적 충분성을 가정하여 관계형 데이터에 적용하기 어려운 한계를 지닙니다. 이에 본 논문에서는 잠재적 교란 변수를 고려한 관계형 데이터를 위한 새로운 인과 발견 알고리즘 RelFCI를 제안합니다. RelFCI는 Fast Causal Inference (FCI)와 Relational Causal Discovery (RCD) 알고리즘을 기반으로 하며, 관계형 도메인에서의 인과 발견을 지원하기 위한 새로운 그래프 모델을 정의합니다. 또한 잠재적 교란 변수를 고려한 관계형 d-분리에 대한 정확성과 완전성을 보장합니다. 실험 결과를 통해 RelFCI가 잠재적 교란 변수가 있는 관계형 인과 모델에서 정확한 인과 구조를 식별하는 효과를 보여줍니다.
