본 논문은 기계 학습(ML)과 인공지능(AI) 연구의 기초가 되는 데이터로부터의 상관관계 학습에 대해 논의합니다. 현대적인 방법들은 복잡한 패턴을 자동으로 발견할 수 있지만, 의도하지 않은 상관관계를 포착할 때 실패하기 쉽습니다. 이러한 취약성으로 인해, 종종 모델 성능, 공정성 및 강건성에 대한 위협으로 여겨지는 가짜 상관관계(spuriousness)에 대한 연구가 증가하고 있습니다. 본 논문에서는 우연이나 교란 변수로 인해 발생하는 비인과적 관계를 나타내는 가짜 상관관계의 기존 통계적 정의에서 벗어나 ML 연구에서 그 의미가 어떻게 협상되는지 조사합니다. 형식적인 정의에만 의존하는 대신, 연구자들은 우리가 실용적 프레임이라고 부르는 것을 통해 가짜 상관관계를 평가합니다. 실용적 프레임은 상관관계가 실제로 수행하는 작업(모델 동작에 미치는 영향, 작업 성능 지원 또는 방해, 광범위한 규범적 목표와의 정렬)을 기반으로 한 판단입니다. 광범위한 ML 문헌 조사를 통해, 본 논문은 다음과 같은 네 가지 프레임을 확인합니다: 관련성("모델은 작업에 관련된 상관관계를 사용해야 함"), 일반화 가능성("모델은 보이지 않는 데이터에 일반화되는 상관관계를 사용해야 함"), 인간 유사성("모델은 동일한 작업을 수행하는 데 인간이 사용할 상관관계를 사용해야 함"), 유해성("모델은 사회적 또는 윤리적으로 해롭지 않은 상관관계를 사용해야 함"). 이러한 표현은 상관관계의 바람직성이 고정된 통계적 속성이 아니라 기술적, 인식론적, 윤리적 고려 사항에 따라 정보가 제공되는 상황적 판단임을 보여줍니다. 본 논문은 기본적인 ML 문제가 연구 문헌에서 어떻게 문제화되는지 조사함으로써, 가짜 상관관계와 같은 기술적 개념이 정의되고 운영되는 우발적 관행에 대한 광범위한 논의에 기여합니다.
