Attribution Projection Calculus (AP-Calculus)는 구조화된 베이지안 네트워크에서 인과 관계를 결정하기 위한 새로운 수학적 프레임워크입니다. 이 논문은 소스 노드가 중간 노드를 통해 대상 노드에 연결된 특정 네트워크 아키텍처를 연구하며, 각 입력은 최대 주변 확률을 가진 단일 레이블에 매핑됩니다. 각 레이블에 대해 하나의 중간 노드만 디컨파운더 역할을 하고 다른 노드는 컨파운더 역할을 하여 특징을 해당 레이블에 최적으로 귀속시킬 수 있음을 증명합니다. 이 프레임워크는 컨텍스트에 따라 중간 노드의 컨파운더와 디컨파운더의 이중적 특성을 공식화하고 중간 표현 간의 차이를 극대화하는 분리 함수를 설정합니다. 제안된 네트워크 아키텍처는 Pearl의 인과 프레임워크를 기반으로 하는 구조를 포함한 대안 구조와 비교하여 인과 추론에 최적임을 보여줍니다. AP-Calculus는 특징-레이블 귀속 분석, 가짜 상관 관계 관리, 정보 이득 정량화, 공정성 보장, 대규모 언어 모델을 포함한 예측 모델의 불확실성 평가를 위한 포괄적인 수학적 기반을 제공합니다. 이론적 검증을 통해 AP-Calculus가 기존의 do-calculus를 확장할 뿐만 아니라 많은 실제 응용 프로그램에서 이를 포함할 수 있으며, 지도 학습 환경에서 인과 추론에 대한 보다 직접적인 접근 방식을 제공함을 보여줍니다.
