연구진은 상관관계에 의존하는 기존 표 예측 모델의 한계를 극복하기 위해 인과 관계를 고려한 새로운 모델 'TabOrder'를 개발했어요. TabOrder는 변수 간의 인과 관계를 학습하여 예측에 활용하며, 변수 순서를 제약하는 어텐션 메커니즘을 사용해요. 연구 결과, TabOrder는 정확한 변수 순서를 파악하고 예측 및 보완 작업에서 뛰어난 성능을 보였으며, 실제 생물학 데이터 분석에도 활용 가능성을 확인했어요.
TabOrder는 변수 순서를 학습하는 과정에서 likelihood 기반의 목적 함수를 사용하며, 데이터 결측 문제에 대한 해결책도 제시해요. 기존 연구는 주로 인과 구조 식별에 집중했지만, TabOrder는 예측 아키텍처에 인과 관계를 통합하는 데 초점을 맞췄어요. 이는 예측 성능 향상과 더불어 데이터 분포 변화나 개입 상황에서도 안정적인 예측을 가능하게 해요.
연구진은 TabOrder 모델이 기존 모델보다 더 정확한 예측을 제공하며, 변수 간의 인과 관계를 이해하는 데 도움을 줄 수 있음을 입증했어요. 이는 데이터 분석 및 의사 결정 과정에서 중요한 통찰력을 제공할 수 있으며, 특히 실제 생물학 데이터 분석에 유용하게 활용될 수 있을 것으로 기대돼요.