[論文レビュー] Budgeted Experiment Design for Causal Structure Learning

AmirEmad Ghassami, Saber Salehkaleybar+2 more|arXiv (Cornell University)|Sep 11, 2017

Advanced Causal Inference Techniques被引用数 9

ひとこと要約

本稿は、最大 $k$ 個の単一干渉実験に制限された条件下で因果構造学習のための予算制約付き実験設計フレームワークを提案する。干渉ターゲット選定をサブモジュラ最適化問題として定式化することで、グリーディアルゴリズムが最適なエッジ方向化効果を $(1 - 1/e)$-近似で達成できることを保証し、高速化されたバージョンにより著しい高速化が可能になる。本手法は、合成の弦的グラフにおいてわずか3回の干渉で90%を超えるエッジ方向化を達成する。

ABSTRACT

We study the problem of causal structure learning when the experimenter is limited to perform at most $k$ non-adaptive experiments of size $1$. We formulate the problem of finding the best intervention target set as an optimization problem, which aims to maximize the average number of edges whose directions are resolved. We prove that the corresponding objective function is submodular and a greedy algorithm suffices to achieve $(1-\frac{1}{e})$-approximation of the optimal value. We further present an accelerated variant of the greedy algorithm, which can lead to orders of magnitude performance speedup. We validate our proposed approach on synthetic and real graphs. The results show that compared to the purely observational setting, our algorithm orients the majority of the edges through a considerably small number of interventions.

研究の動機と目的

• 制限された数の干渉しか許されない状況での因果構造学習の課題に対処すること。
• 干渉ターゲット選定を、平均的な方向付きエッジ数を最大化する最適化問題として定式化すること。
• 目的関数が単調かつサブモジュラであることを確立し、グリーディアルゴリズムによる効率的な近似が可能であることを示すこと。
• 大規模グラフにおける実用的スケーラビリティを実現するための高速化されたグリーディアルゴリズムの開発。
• 合成の弦的DAGおよびDREAM 3チャレンジからの実際の遺伝子調節ネットワーク（GRNs）を用いた手法の検証。

提案手法

• 因果DAGにおける方向付きエッジ数の期待値を最大化する干渉設計問題を定式化する。
• 目的関数が単調かつサブモジュラであることを証明し、グリーディ選択による $(1 - 1/e)$-近似が保証されることを示す。
• 与えられた干渉セットに対する方向付きエッジ数の期待値を計算するための推定手法を導入する。
• ランダムサンプリングと近似技術を用いて実行時間を桁違いに短縮する高速化グリーディアルゴリズムを提案する。
• 初期の観察フェーズに基づいてのみ非適応的実験を設計し、並列実行を可能にする。
• 本手法を合成の弦的DAGおよびDREAM 3 In Silico Networkチャレンジからの実際のGRNsに適用する。

実験結果

リサーチクエスチョン

• RQ1 最大 $k$ 個の単一干渉実験を用いて、最大何本のエッジ方向を特定できるか？
• RQ2 予算制約下で、期待される方向付きエッジ数を最大化するように干渉ターゲットをどのように選択すべきか？
• RQ3 サブモジュラ最適化が因果実験設計に効果的に適用可能であり、理論的近似保証を提供できるか？
• RQ4 本手法は、ランダム選択や次数に基づくヒューリスティクスなどの単純なヒューリスティクスと比較して、エッジ方向化性能で優れているか？
• RQ5 大規模因果グラフにおける本手法の計算スケーラビリティはどの程度か？

主な発見

• わずか3回の干渉で、サイズ20の合成の弦的DAGにおいて、元来未決定だったエッジの90%以上を方向化できる。
• サイズ $n \leq 30$ のグラフにおいて、テストされたすべてのサイズで91%を超えるエッジ発見率を達成する。
• サイズ10の100個の弦的DAGに対して $k=2$ とした場合、本手法は0.90のエッジ発見率を達成し、最適値0.916に非常に近い。
• $k=2$, $n=10$ の場合、ブルートフォース法に比べ実行時間を6000秒以上から216秒に短縮した高速化グリーディアルゴリズムを実装。
• サイズ100の実際の遺伝子調節ネットワーク（GRNs）において、$k=5$ 干渉で少なくとも0.65のエッジ発見率を達成した。
• グラフサイズが大きくなるに従い、本手法の性能はランダム選択や次数に基づくヒューリスティクスを著しく上回る。