# Causal Discovery in Linear Models with Unobserved Variables and Measurement Error

### 저자

Yuqin Yang, Mohamed Nafea, Negar Kiyavash, Kun Zhang, AmirEmad Ghassami

### 💡 개요

본 논문은 관찰되지 않은 공통 원인과 측정 오차라는 두 가지 주요 난관이 동시에 존재하는 선형 시스템에서 인과 구조 학습 문제를 다룬다. 제안된 LV-SEM-ME 모델은 직접 관찰된 변수, 측정 오차가 있는 관찰되지 않은 변수, 해당 측정값, 그리고 관찰되지도 측정되지도 않은 변수 등 네 가지 유형의 변수를 포함한다. 특정 식별 가능성 조건과 충실성 가정을 통해 인과 구조의 식별 가능성 범위와 관찰 등가 클래스를 규명하고, 이를 복구하는 알고리즘을 제시한다.

### 🔑 시사점 및 한계

- 관찰되지 않은 공통 원인과 측정 오차가 함께 존재할 때에도 인과 구조 학습이 가능함을 보여주었다.

- 제안된 LV-SEM-ME 모델은 다양한 특수 인과 모델(도구 변수, Front-door, Negative-control-outcome)을 포괄하며, 이들 모델의 가정 중 일부가 동시에 성립하지 않아도 목표 인과 효과가 식별될 수 있음을 입증하였다.

- 연구의 한계점은 명확히 제시되지 않았으나, 제안된 모델의 복잡성과 특정 가정에 대한 의존성은 향후 연구에서 다루어져야 할 부분일 수 있다.

[PDF 보기](https://arxiv.org/pdf/2407.19426)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).