본 논문은 서로 다른 세분화 수준의 인과 모델을 연결하는 인과 추상화에 대한 연구입니다. 인과 모델이 원인과 결과에 동의하도록 하기 위해, 인과 추상화 프레임워크는 일관성 개념을 정의합니다. 논문에서는 문헌에서 일반적인 두 가지 인과 추상화 방법, 즉 (i) Cluster DAGs와 같은 그래픽 추상화 (구조적 수준에서 모델을 연결)와 (ii) α-추상화와 같은 함수적 추상화 (변수와 그 범위 간의 매핑을 통해 모델을 연결)를 다룹니다. 본 논문은 그래픽 및 함수적 일관성 개념을 정렬하고, 일관된 α-추상화(추상화된 변수의 범위가 일대일로 매핑됨)를 가진 Cluster DAGs 클래스와 구성적인 τ-추상화 간의 동등성을 보여줍니다. 또한, 부분 Cluster DAGs를 도입하여 그래픽 추상화의 정렬 및 표현력을 확장합니다. 연구 결과는 함수적 프레임워크와 그래픽 프레임워크 간의 엄격한 연결을 제공하며, 결과의 채택 및 전달을 가능하게 합니다.
