인공지능(AI) 기반 분석 시스템은 위험 조기 경고, 의사 결정 지원, 그리고 복잡한 상황 이해를 위해 명시적인 인과 관계 지식에 크게 의존합니다. 하지만 기존의 개별 사건 수준(instance-level) 인과 관계 모델은 발생 빈도가 낮은(low-frequency) 희귀 사건이나 이전에 학습하지 못한 새로운 사건 조합에 대해서는 일반화 능력이 크게 떨어지는 한계를 보였습니다. 이러한 문제를 해결하기 위해, 최근 연구에서 '추상적 사건 인과 규칙(Abstract Event Causal Rule, AECR)'이라는 새로운 관계 수준(relation-level) 인과 추상화 패러다임이 제안되었습니다.
AECR은 구체적인 원인-결과 사건 쌍을 본질적인 인과 관계는 유지하면서도 일반화된 추상적 인과 논리로 변환하는 방식입니다. 연구진은 '구체적-추상적 인과 유도(Concrete-to-Abstract Causal Induction, CACI)'라는 다중 에이전트 시스템과 유사성 제약 군집화(similarity-constrained clustering) 기법을 설계하여, 노이즈가 많은 원본 데이터에서 신뢰할 수 있는 AECR을 추출했습니다. 이를 기반으로 두 가지 완전한 AECR 지식 베이스를 구축했으며, 추상적 인과 지식의 실용적 유용성을 검증하기 위해 '추상 규칙 기반 인과 어텐션 인코더(Abstract Rule-Guided Causal Attention Encoder, AR-GCAE)'를 개발했습니다. 이 인코더는 검색된 AECR을 규칙 기반 어텐션 레이어와 게이티드 표현 융합(gated representation fusion)을 통해 인과 그래프 사건 예측(Causality Graph Event Prediction, CGEP) 벤치마크 작업에 주입합니다.
정량적 실험 결과에 따르면, AECR을 적용함으로써 사건 인과 추론의 일반화 능력이 크게 강화되었고, 사건 예측 성능이 일관되게 향상되었습니다. 특히 희귀하거나 이전에 보지 못한 사건 샘플에서 가장 두드러진 성능 향상이 관찰되었습니다. 이는 AI 시스템이 예측하기 어려웠던 복잡하고 드문 상황에 대한 이해와 예측 능력을 획기적으로 개선할 수 있음을 시사합니다. 이러한 발전은 금융 시장의 이상 징후 감지, 재난 예측, 의료 진단 등 다양한 분야에서 더욱 신뢰할 수 있는 AI 기반 의사 결정 시스템을 구축하는 데 중요한 기반이 될 것입니다.