본 논문은 신경망 인과 모델(NCMs)을 이용한 인과 효과의 식별 및 부분 식별의 일관성을 일반적인 설정(연속 및 범주형 변수 모두 포함)에서 증명합니다. 이전 연구들은 이산 변수 또는 선형 인과 모델에 대해서만 일관성을 증명했으나, 본 연구는 신경 생성 모델을 통한 구조적 인과 모델(SCMs)의 근사 가능성에 대한 새로운 결과와 제약된 최적화 문제의 오류로 이어지는 아키텍처의 표본 복잡성 분석을 통해 일반적인 설정에서의 일관성을 증명합니다. 또한, 신경망 아키텍처의 깊이와 연결성, 그리고 학습 단계에서 Lipschitz 정규화의 중요성을 강조하며, Lipschitz 정규화 없이는 점근적으로 일관되지 않을 수 있음을 반례를 통해 보여줍니다.
