• 감성과학
• /
• 제26권1호
• /
• pp.55-64
• /
• 2023

본 연구는 범주속성들이 공통원인 혹은 공통효과 인과 네트워크로 연결되었을 때 인과강도에 따른 속성추론을 검증했다. 인과범주에서 속성추론을 검증한 기존 연구들은 인과관계의 방향, 연결된 속성의 개수, 원인 혹은 결과의 여부 등에 따라 고유한 추론 패턴이 나타남을 보여주었다. 다만 기존 연구들은 인과관계에 따른 추론패턴을 주로 탐색했으며 인과관계의 효과가 인과강도에 따라 어떤 변화를 보이는지 확인한 연구는 찾아보기 어렵다. 본 연구에서는 공통원인(실험 1), 공통효과(실험 2) 네트워크에서 인과강도에 따른 속성추론을 검증했다. 이를 위해 참가자들에게 속성들이 인과적 관련성을 가지는 범주를 학습하게 한 다음 속성추론 과제를 실시하도록 했다. 실험 결과 인과관계 뿐만 아니라 인과강도 역시 속성추론에 중요한 영향을 미쳤다. 인과강도가 강할 떄 공통원인 속성에 대해서는 추론이 약해진 반면 공통효과 속성에 대해서는 추론이 강해졌다. 또한 인과강도가 강할 때 공통원인이 존재하는 경우 결과속성들에 대한 추론이 강해진 반면 공통효과에서는 반대의 결과가 나타났다. 특히 공통효과에서는 인과강도가 강할 때 인과적 절감이 더 뚜렷하게 나타났다. 이 결과들은 인과적 범주에서의 속성추론에서 참가자들은 인과관계 뿐만 아니라 인과강도를 고려한다는 것을 일관성있게 보여준다.

• Computers and Concrete
• /
• 제31권4호
• /
• pp.277-292
• /
• 2023

Much of our experiments are designed to uncover the cause(s) and effect(s) behind a phenomenon (i.e., data generating mechanism) we happen to be interested in. Uncovering such relationships allows us to identify the true workings of a phenomenon and, most importantly, to realize and articulate a model to explore the phenomenon on hand and/or allow us to predict it accurately. Fundamentally, such models are likely to be derived via a causal approach (as opposed to an observational or empirical mean). In this approach, causal discovery is required to create a causal model, which can then be applied to infer the influence of interventions, and answer any hypothetical questions (i.e., in the form of What ifs? Etc.) that commonly used prediction- and statistical-based models may not be able to address. From this lens, this paper builds a case for causal discovery and causal inference and contrasts that against common machine learning approaches - all from a civil and structural engineering perspective. More specifically, this paper outlines the key principles of causality and the most commonly used algorithms and packages for causal discovery and causal inference. Finally, this paper also presents a series of examples and case studies of how causal concepts can be adopted for our domain.

• 감성과학
• /
• 제24권1호
• /
• pp.59-72
• /
• 2021

개념과 범주는 관찰하지 못한 속성을 추론할 수 있는 기반을 제공한다. 무의미 속성을 사용한 범주기반 속성추론 연구들은 범주 및 속성의 유사성이 추론을 설명하는 핵심 요인이라는 것을 제안했다(Rips, 1975; Osherson et al., 1990). 이후 연구들은 사람들의 사전지식이 범주기반 추론에 막대한 영향을 미치며 심지어 유사성 효과가 완전히 사라지는 경우도 있음을 보고했다. 본 연구는 범주 속성들이 사전지식의 한 종류인 인과적 지식에 의해 사슬구조로 연결되었을 때의 범주기반 속성추론을 검증했으며 그 결과를 예측하는 속성추론모형을 제안했다. 참가자들은 네 개의 속성들이 사슬구조를 이루는 인과적 범주를 학습한 뒤 해당 범주의 다양한 범주 예시들의 숨겨진 속성에 대한 추론을 실시했다. 그 결과 인과적으로 직접 연결된 속성뿐만 아니라 다른 속성 노드에 의해 차폐된 속성들도 추론에 영향을 미치는 비독립성이 나타났다(인과적 마코프 조건의 위배). 인과모형이론(Sloman, 2005)에 기반한 속성추론모형을 적용하여 참가자들의 추론을 모델링한 결과 인과적 연결의 직접 효과뿐만 아니라 간접 효과 즉 인과추론의 비독립성도 예측하는 것으로 나타났다. 다만 간접적으로 연결된 속성들은 인과적 거리와 무관하게 참가자들의 추론평정에 동일하게 영향을 미쳤지만 모형은 거리가 멀어짐에 따라 추론에 미치는 영향이 작아짐을 예측했다.

• 한국지능시스템학회논문지
• /
• 제8권6호
• /
• pp.70-77
• /
• 1998

Although many methods of knowledge acquisition has been developed in the exper systems field, such a need form causal knowledge acquisition hs not been stressed relatively. In this respect, this paper is aimed at suggesting a causal knowledge acquisition process, and then investigate the causal knowledge-based inference process. A vehicle for causal knowledge acquisition is FCM (Fuzzy Cognitive Map), a fuzzy signed digraph with causal relationships between concept variables found in a specific application domain. Although FCM has a plenty of generic properties for causal knowledge acquisition, it needs some theoretical improvement for acquiring a more refined causal knowledge. In this sense, we refine fuzzy implications of FCM by proposing fuzzy causal relationship and fuzzy partially causal relationship. To test the validity of our proposed approach, we prototyped a causal knowledge-driven inference engine named CAKES and then experimented with some illustrative examples.

• 응용통계연구
• /
• 제32권2호
• /
• pp.173-185
• /
• 2019

과학적 연구에서 핵심적인 연구 주제 또는 가설은 대부분 인과적 질문(causal question)을 포함한다. 예를 들어, 전염병 예방을 위한 치료법의 효과 연구, 특정 정책의 시행으로 인한 효용(utility)의 평가에 대한 연구, 특정 사용자를 대상으로 노출된 광고의 종류에 따른 광고의 효과성에 대한 연구는 모두 인과 관계(causal relationship)의 추론이 요구된다. 이러한 인과 관계를 다루는 통계적 인과 추론(statistical causal inference)의 주요 관심사 중 하나는 모집단에 일종의 개입(정책 혹은 처치)을 적용한 후 개입의 효과를 정확하게 추정하는 것이다. 인과 추론은 임상실험과 정책결정에서 주로 이용되었으나, 이른바 빅데이터 시대의 도래로 가용한 관측자료가 폭발적으로 증가하였고 이로 인하여 인과 추론에 대한 잠재적 응용가치와 수요가 지속적으로 증가하고 있다. 하지만 가용한 대부분의 자료는 임의실험 기반의 자료와 달리 개입이 임의로 분배되지 않은 비실험 관측자료이다. 따라서, 본 논문은 비실험 관측자료로부터 개입의 효과를 추정하기 위한 인과 추론의 핵심 개념과 최근의 연구동향을 소개하고자 한다. 이를 위하여 본문에서는 먼저 개입의 효과를 Neyman-Rubin의 잠재 결과(potential outcome) 모형으로 나타내고, 개입의 효과를 추정하는 여러 접근법 중 특히 성향점수(propensity score) 기반 추정법과 회귀모형 기반 추정법을 중점적으로 소개한다. 최근 연구동향으로는 (1) 평균 효과 크기 추정을 넘어선 개인별 효과 크기의 추정, (2) 효과크기 추정에 있어서 자료 규모의 증대로 인한 차원의 저주가 야기하는 난제들과 이에 대한 해결방안들, (3) 복합적 인과관계를 반영하기 위한 Pearl의 구조적 인과 모형(structural causal model) 및 잠재 결과 모형과의 비교의 3가지 주제로 구분하여 소개한다.

• 인지과학
• /
• 제28권4호
• /
• pp.329-347
• /
• 2017

범주기반 속성추론에 대한 초기연구들은 전형성, 다양성, 유사성 효과 등 인간 사고에서 나타나는 다양한 현상들을 보고하였다. 이후 연구들은 이러한 추론에서 참가자들의 사전지식이 광범위한 영향을 미친다는 것을 발견하였다. 본 연구에서는 다양한 사전지식들 중 하나인 인과적 지식이 속성추론에 미치는 영향을 검증하고 이를 모델링하였다. 이를 위해 참가자들은 네 개의 속성으로 구성된 범주에서 속성들이 공통원인 혹은 공통효과 인과구조로 연결되었을 때 속성추론과제를 실시하였다. 그 결과 전형성 효과와 더불어 공통원인 구조에서 인과적 마코프 조건(causal Markov condition)에 대한 위배와 공통효과 구조에서 인과적 절감(causal discounting)이 관찰되었다. 이를 모델링하기 위해 참가자들은 표적속성이 존재하는 범주예시와 존재하지 않은 범주예시가 존재할 가능성에 대한 차이값 (즉, $p(E_{F(X)}{\mid}Cat)-p(E_{F({\sim}X)}{\mid}Cat)$에 근거하여 속성추론을 수행한다고 가정하였다. 인과모형이론(Rehder, 2003)에 기반하여 범주예시들의 확률값을 계산한 후 각 표적속성에 대한 추론에 적용하였다. 그 결과 모형은 참가자들의 데이터에서 관찰된 전형성 효과뿐만 아니라 인과적 마코프 조건에 대한 위배 및 인과적 절감을 모두 예측한다는 것이 확인되었다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 1998년도 추계학술대회 학술발표 논문집
• /
• pp.461-467
• /
• 1998

Although many methods of knowledge acquisition has been developed in the expert systems field, such a need for causal knowledge acquisition has not been stressed relatively. In this respect, this paper is aimed at suggesting a causal knowledge acquisition process, and then investigate the causal knowledge-based inference process. A vehicle for causal knowledge acquisition is FCM (Fuzzy Cognitive Map), a fuzzy signed digraph with causal relationships between concept variables found in a specific application domain. Although FCM has a plenty of generic properties for causal knowledge acquisition, it needs some theoretical improvement for acquiring a more refined causal knowledge. In this sense, we refine fuzzy implications of FCM by proposing fuzzy implications of FCM by proposing fuzzy causal relationship and fuzzy partially causal relationship. To test the validity of our proposed approcach, we prototyped a causal knowledge-driven inference engine named CAKES and then experime ted with some illustrative examples.

• Communications for Statistical Applications and Methods
• /
• 제23권1호
• /
• pp.1-20
• /
• 2016

Causal inference methodologies have been developed for the past decade to estimate the unconfounded effect of an exposure under several key assumptions. These assumptions include, but are not limited to, the stable unit treatment value assumption, the strong ignorability of treatment assignment assumption, and the assumption that propensity scores be bounded away from zero and one (the positivity assumption). Of these assumptions, the first two have received much attention in the literature. Yet the positivity assumption has been recently discussed in only a few papers. Propensity scores of zero or one are indicative of deterministic exposure so that causal effects cannot be defined for these subjects. Therefore, these subjects need to be removed because no comparable comparison groups can be found for such subjects. In this paper, using currently available causal inference methods, we evaluate the effect of arbitrary cutoffs in the distribution of propensity scores and the impact of those decisions on bias and efficiency. We propose a tree-based method that performs well in terms of bias reduction when the definition of positivity is based on a single confounder. This tree-based method can be easily implemented using the statistical software program, R. R code for the studies is available online.

• 한국과학교육학회지
• /
• 제14권2호
• /
• pp.123-132
• /
• 1994

The experimental evidence evaluation of the 11th grade students(N:91) was investigated. Specially, the influence of students' ideas about optical phenomena and presented evidence types on their evidence evaluation, and the influence of students' ideas on their causal inference modes were investigated. After eliciting the students' ideas about shadow phenomena and conformity of their idea, the experimental results with a binary outcome were presented as the evidence. Then the students were asked to evaluate the evidence. Again students' ideas were elicited. Most of students had causal ideas such that the shape of object(96%) and the inclination of screen(75%) were causes of shadow shape, not the shape(70%) and color(92%) of light source. In the case of the shape of object and the color of light source, most students(70%) believed strongly their ideas. Most responses(80%) in the evidence were evidence-based, and 12% of them were theory-based. There was no significant difference of reponses types between students with causal ideas(81%) and students with non-causal ideas(78%), between covariable and non-covariable evidence. But in the case of non-causal ideas, covariable evidence was more likely to yield evidence-based reponses than non-covariable evidence. If students had preconcepts inconsistent(84%) with the evidence, they were more likely to make evidence-based responses than the students with consistent ideas (75%) with the evidence. Especially in the case perceptually biased evidence, this tendency was marked. In the case of covariable evidence, many students made inclusion inferences(40%) rather than uncertainty inferences(32%). In the case of uncertainty inferences(94%), students more likely to make evidence-based reponses than inclusion inferences(83%) and exclusion infernces(88%). In the case of inclusion inferences and exclusion infernces, students tended to make idea-based responses and distort the evidences. In conclusion, when the students evaluate the experimental evidences, their ideas influence the causal inference modes. Especially, according to the conformity of the preconcepts and logical relation of evidences, the inference modes are more strongly depended upon the preconcepts rather than evidences.

• Journal of Advanced Marine Engineering and Technology
• /
• 제20권1호
• /
• pp.13-23
• /
• 1996

Weld defects degrade the strength and safety of astructure and are resulted from the various cases. The complexity of causal relation of weld defects requires an expert for the analysis of weld defects and the measures counter to them. An expert system has the intelligent functions such as the representation of knowledge and the inference. On this research, weld defect are systematically analysed and their causal model is developed. This information is saved to the knowledge base. The suitable inference algorithm for the diagnosis of weld defects is developed and realized with C++ programming.