SphUnc: 정보 기하학을 이용한 초구 불확실성 분해 및 인과 관계 식별

SphUnc: Hyperspherical Uncertainty Decomposition and Causal Identification via Information Geometry

복잡한 다중 에이전트 시스템에서 신뢰할 수 있는 의사 결정을 위해서는 정확한 예측과 해석 가능한 불확실성이 필수적입니다. 본 연구에서는 초구 표현 학습과 구조적 인과 모델링을 결합한 통합 프레임워크인 SphUnc를 소개합니다. 이 모델은 von Mises-Fisher 분포를 사용하여 특징을 단위 초구 잠재 변수로 매핑하고, 정보 기하학적 융합을 통해 불확실성을 인식론적(epistemic) 및 우연적(aleatoric) 구성 요소로 분해합니다. 초구 잠재 변수에 대한 구조적 인과 모델은 표본 기반 시뮬레이션을 통해 방향성 영향 관계를 식별하고 개입 추론을 가능하게 합니다. 사회적 및 정서적 벤치마크에서의 실험적 결과는 정확도 향상, 더 나은 교정, 그리고 해석 가능한 인과적 신호들을 보여주며, 이는 다중 에이전트 환경에서 고차 상호 작용을 포함하는 불확실성을 고려한 추론을 위한 기하학적-인과적 기반을 구축합니다.

Reliable decision-making in complex multi-agent systems requires calibrated predictions and interpretable uncertainty. We introduce SphUnc, a unified framework combining hyperspherical representation learning with structural causal modeling. The model maps features to unit hypersphere latents using von Mises-Fisher distributions, decomposing uncertainty into epistemic and aleatoric components through information-geometric fusion. A structural causal model on spherical latents enables directed influence identification and interventional reasoning via sample-based simulation. Empirical evaluations on social and affective benchmarks demonstrate improved accuracy, better calibration, and interpretable causal signals, establishing a geometric-causal foundation for uncertainty-aware reasoning in multi-agent settings with higher-order interactions.