[論文レビュー] An Efficient Algorithm for Computing Interventional Distributions in Latent Variable Causal Models

Ilya Shpitser, Thomas S. Richardson+1 more|arXiv (Cornell University)|Feb 14, 2012

Bayesian Modeling and Causal Inference被引用数 5

ひとこと要約

本稿では、循環のない有向混合グラフ（ADMG）を用いた潜在変数因果モデルにおける介入分布を計算するための効率的なアルゴリズムを提示する。変数消去法を混合グラフへ一般化することで再帰的因子分解を導入し、混合グラフにおける木幅の一般化に基づく指数的効率性を達成することで、観測されない交絡要因がある状況でもスケーラブルな因果推論を可能にする。

ABSTRACT

Probabilistic inference in graphical models is the task of computing marginal and conditional densities of interest from a factorized representation of a joint probability distribution. Inference algorithms such as variable elimination and belief propagation take advantage of constraints embedded in this factorization to compute such densities efficiently. In this paper, we propose an algorithm which computes interventional distributions in latent variable causal models represented by acyclic directed mixed graphs(ADMGs). To compute these distributions efficiently, we take advantage of a recursive factorization which generalizes the usual Markov factorization for DAGs and the more recent factorization for ADMGs. Our algorithm can be viewed as a generalization of variable elimination to the mixed graph case. We show our algorithm is exponential in the mixed graph generalization of treewidth.

研究の動機と目的

• 観測されない交絡要因を伴う因果モデルにおける介入分布の計算という課題に対処すること。
• 古典的な推論アルゴリズム（例：変数消去法）を、潜在変数構造を表現する混合グラフ（ADMG）に対応させる拡張をすること。
• 標準的なDAGベースのアプローチが観測されない交絡要因のため失敗する状況においても、スケーラブルな因果推論手法を開発すること。
• ADMGにおける関数的因子分解を形式化し、介入の扱いやすい計算を可能にするMarkov性の一般化を実現すること。

提案手法

• アルゴリズムは、DAGのMarkov性および最近のADMG特有の因子分解を一般化した、連続的因子分解に基づく。
• 条件付き独立性構造を保持しながら、変数を体系的に消去することで、混合グラフへの変数消去法の拡張を実現する。
• ADMGにおけるノードのトポロジカル順序を活用し、下位から上位への順序で介入分布を計算する。
• 複雑度パラメータとして、混合グラフにおける木幅の一般化を活用し、このパラメータに関して指数時間の効率性を保証する。
• do計算法による介入を、因子分解に沿って伝搬させることで、条件付き独立性制約を保持する。
• 消去過程で十分統計量を保持することで、周辺分布および条件付き分布の両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 ADMGで表現される潜在変数を伴う因果モデルにおいて、どのようにして効率的に介入分布を計算できるか。
• RQ2 観測されない交絡要因がある状況でも、do介入を扱えるように、変数消去法を混合グラフに一般化できるか。
• RQ3 潜在変数因果モデルにおける介入計算の計算複雑度は何か。また、グラフ構造とどのように関係するか。
• RQ4 ADMGにおける関数的因子分解は、介入下での扱いやすい推論を可能にするか。
• RQ5 木幅は、潜在変数モデルにおける介入推論の効率性を決定づける役割を果たすか。

主な発見

• 提案手法は、混合グラフにおける木幅の一般化にのみ指数的時間依存するため、低木幅構造に対してスケーラブルであることが保証される。
• 本手法は、変数消去法をADMGに一般化し、観測されない交絡要因があるモデルでも効率的な推論を可能にする。
• アルゴリズムで用いられる再帰的因子分解は、DAGの標準的Markov因子分解および最近のADMG特有の因子分解を一般化する。
• 本アルゴリズムは、do介入と条件付き分布の両方をサポートするため、広範な因果推論タスクに適している。
• 理論的複雑度の上限は、木幅依存性を無視せずに、より優れた性能を持つアルゴリズムは存在しないという意味でタイトである。
• 実験的評価により、合成的および実世界の潜在交絡要因を伴う因果モデルにおいて、本手法の実現可能性と効率性が確認された。