[論文レビュー] Bayesian Causal Induction

Pedro A. Ortega|arXiv (Cornell University)|Nov 3, 2011

Bayesian Modeling and Causal Inference参考文献 8被引用数 3

ひとこと要約

本稿では、介入と構造的制約を用いて因果推論と外挿を可能にするベイジアン因果誘導フレームワークを提案する。確率木を用いて競合する因果仮説をモデル化し、介入によって仮説間の対称性が破れ、事後信念の更新（例：P(h|ŷ,x) = 3/5）が可能になる。また、制約が観測済み変数から未観測変数への一般化を可能にする。

ABSTRACT

Discovering causal relationships is a hard task, often hindered by the need for intervention, and often requiring large amounts of data to resolve statistical uncertainty. However, humans quickly arrive at useful causal relationships. One possible reason is that humans extrapolate from past experience to new, unseen situations: that is, they encode beliefs over causal invariances, allowing for sound generalization from the observations they obtain from directly acting in the world. Here we outline a Bayesian model of causal induction where beliefs over competing causal hypotheses are modeled using probability trees. Based on this model, we illustrate why, in the general case, we need interventions plus constraints on our causal hypotheses in order to extract causal information from our experience.

研究の動機と目的

• 観測データから因果構造を推論するという課題—複数の仮説が同一の連関分布を生じる場合に—に対処すること。
• 標準的なグラフィカルモデルの制限を克服するため、因果仮説をメタレベルの確率的変数としてモデル化すること。
• 可能な因果構造に制約を課すことにより、観測済み変数（X, Y）から未観測変数（U, V）への因果一般化を可能にすること。
• 確率木フレームワーク内に介入を形式化し、操作されたシステムの挙動を予測し、仮説間の統計的対称性を破ること。
• 因果仮説の制約と介入が、因果知識の抽出と外挿をどのように共同で可能にするかを調査すること。

提案手法

• 因果仮説（例：X→Y 対 Y→X）を、各パスが因果的解釈の順序を符号化する確率木の枝として表現する。
• 仮説 H を根レベルの確率的変数としてモデル化し、これにより下流変数の解釈順序（例：H=h の下で X が Y よりも先に解釈される）が決定される。
• 各因果仮説内での確率的依存関係を条件付き確率で符号化する。例：P(Y=y|h, ¬x) = 1/4。
• 介入（例：ŷ で X=x）を、特定の結果に対する確率質量を固定することで実装し、これにより仮説の事後分布が変化する。
• ベイズの定理を用いて事後確率を計算する。例：P(h|ŷ,x) = [P(y|h,ŷ)P(ŷ|h)P(h)] / [P(y|h,ŷ)P(ŷ|h)P(h) + P(ŷ|¬h,y)P(y|¬h)P(¬h)]。
• 因果仮説に制約（例：X→Y と U→V のみ、混合は不可）を課すことにより、既知のシステムから未観測システムへの外挿を可能にする。

実験結果

リサーチクエスチョン

• RQ1 同じ連関分布を生じる2つの因果仮説（例：X→Y 対 Y→X）をどのように区別できるか？
• RQ2 介入が競合する因果仮説間の統計的対称性をどのように破るか？
• RQ3 どのような条件下で、あるシステム（X,Y）からの因果知識を別のシステム（U,V）に外挿できるか？
• RQ4 可能な因果仮説の集合に制約を課すと、因果構造の推論と一般化の能力にどのような影響を与えるか？
• RQ5 確率木に基づくベイジアンフレームワークは、明示的なグラフィカルモデル拡張を必要とせずにメタレベルの因果的推論をモデル化できるか？

主な発見

• 介入により仮説間の統計的非対称性が導入され、因果推論が可能になる：X に介入した後（X=x）、P(h|ŷ,x) = 3/5 となり、X→Y が支持される。
• X,Y から U,V への一般化においても、事後確率 P(h|ŷ,x) = 3/5 が同一となるため、構造的制約下で成功した一般化が示された。
• 因果仮説に制約がなければ、X,Y から U,V への外挿は不可能であり、複数の因果構造が区別不能のまま残るだろう。
• 確率木フレームワークは、異なった解釈順序（例：H=h の下で X が Y よりも先に解釈される、H=¬h の下で逆）を自然に符号化でき、異なる因果仮説をモデル化できる。
• 因果仮説の制約は一般化にとって不可欠であり、曖昧性を低減し、未観測システムへの因果知識の転送を可能にする。
• フレームワークは「原因なしには原因なし」という考えを形式化しており、因果知識の抽出には介入と構造的仮定の両方が必要である。