HMM의 가장 중요한 철학적 함의는 “숨겨진 원인(cause)“이 관측 가능한 결과보다 더 근본적이라는 점이다. 날씨가 숨겨져 있지만 아이스크림 소비량은 그 결과로만 관측된다. 이 모델은 관측치로부터 역으로 원인을 추론할 수 있는 프레임워크를 제공한다.
근거
원문에서는 HMM의 구성 요소를 설명하면서 “hidden events that we think of as causal factors in our probabilistic model”라고 명확히 표현한다. 즉, 은닉 상태를 단순한 잠재변수(latent variable)를 넘어 인과적 요인으로 간주한다.
“A hidden Markov model (HMM) allows us to talk about both observed events … and hidden events … that we think of as causal factors in our probabilistic model.”
실제로 아이스크림 예제에서 날씨(원인) → 아이스크림 소비(결과)라는 인과 방향성이 HMM의 생성 과정(P(O|Q))에 그대로 반영된다. 반면, 단순 상관 모델이나 판별 모델(CRF 등)은 이러한 인과 구조를 명시적으로 포함하지 않는다.
연결된 생각
- 20260605-hidden-markov-model — 이 개념 노트에서 모델의 정의와 가정을 확인할 수 있음
- 20260605-baum-welch-is-em-paradigm — EM 알고리즘도 불완전한 데이터에서 원인을 추정한다는 점에서 같은 철학을 공유함