[論文レビュー] Calculation of Entailed Rank Constraints in Partially Non-Linear and Cyclic Models

Peter Spirtes|arXiv (Cornell University)|Sep 17, 2013

Bayesian Modeling and Causal Inference参考文献 17被引用数 11

ひとこと要約

本稿は、線形で非巡回なモデルに限定されていなかった Trek 分離定理を、部分的に非線形かつ巡回的な構造方程式モデルへと拡張し、元々線形で非巡回なモデルにのみ成り立っていた共分散行列のランク制約が、より広い条件下でも依然として成り立つことを証明している。主な貢献は、非線形性や巡回性を有するモデルから生成されたデータに対して、BuildPureClusters などの制約に基づく因果発見アルゴリズムの使用を正当化することであり、これによりそれらのアルゴリズムの適用範囲がより現実的な因果構造へと拡張される。

ABSTRACT

The Trek Separation Theorem (Sullivant et al. 2010) states necessary and sufficient conditions for a linear directed acyclic graphical model to entail for all possible values of its linear coefficients that the rank of various sub-matrices of the covariance matrix is less than or equal to n, for any given n. In this paper, I extend the Trek Separation Theorem in two ways: I prove that the same necessary and sufficient conditions apply even when the generating model is partially non-linear and contains some cycles. This justifies application of constraint-based causal search algorithms such as the BuildPureClusters algorithm (Silva et al. 2006) for discovering the causal structure of latent variable models to data generated by a wider class of causal models that may contain non-linear and cyclic relations among the latent variables.

研究の動機と目的

• 線形で非巡回なモデルに限らない Trek 分離定理を、部分的に非線形かつ巡回的な構造へ一般化すること。
• これらの拡張モデルにおいても、共分散行列のランク制約に必要な・十分な条件が同じく成り立つことを確立すること。
• 非線形性や巡回的関係を示す潜在変数を有するモデルから生成されたデータに対して、BuildPureClusters のような制約に基づく因果発見アルゴリズムの使用を正当化すること。
• ランクに基づく条件付き独立性検定をより一般的な因果モデルに適用する理論的基盤を提供すること。

提案手法

• 構造方程式が部分的に非線形であっても、共分散行列の部分行列におけるランク制約が依然として成立することを示すことで、Trek 分離定理を拡張する。
• 潜在変数とサイクルを含む有向混合グラフ（DAG）の構造を分析し、ランク制約を決定するトレックに基づく経路を同定する。
• d-分離とトレック分離の概念を用いて、サイクルや非線形性を有するモデルにおける条件付き独立性を特徴付ける。
• 代数的およびグラフ理論的技法を用いて、共分散行列の部分行列のランクが変数対間のトレック経路の数によって上限づけられることを示す。
• 線形で非巡回なモデルにおいてランク制約を導く組合せ的条件（トレック分離に基づくもの）が、部分的に非線形かつ巡回的な場合にも同様に適用可能であることを示す。
• BuildPureClusters などの既存のアルゴリズムがランク制約に依存していることから、理論的結果がそれらのアルゴリズムとの整合性を示すことで、理論的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 潜在変数間に非線形関係を有するモデルに対しても、Trek 分離定理のランク制約を拡張できるか？
• RQ2 潜在変数モデルにおける巡回的構造が、非巡回モデルと同様に共分散行列のランク制約をもたらすか？
• RQ3 構造方程式が部分的に非線形である場合でも、ランク制約の必要・十分条件は保持されるか？
• RQ4 非線形性および巡回的関係を有する潜在変数モデルから生成されたデータに対して、BuildPureClusters のような制約に基づく因果発見アルゴリズムを信頼性を持って適用できるか？
• RQ5 部分的に非線形かつ巡回的なモデルにおいて、共分散部分行列のランクが上限づけられるグラフ理論的条件は何か？

主な発見

• Trek 分離定理が定義する共分散部分行列のランク制約に必要な・十分な条件は、非線形性やサイクルを含むモデルに対しても依然として有効である。
• 部分的に非線形かつ巡回的なモデルにおいても、ランク制約を決定する組合せ的構造（トレック分離）は、線形で非巡回なモデルと同一である。
• 理論的基盤により、より広いクラスのモデルにおいてランクに基づく条件付き独立性検定を制約に基づく因果発見に適用することが可能になる。
• 本研究の結果により、非線形性および巡回的依存関係を有する潜在変数を含むモデルから生成されたデータに対して BuildPureClusters のようなアルゴリズムを適用することが正当化される。
• 本拡張により、観測データから因果構造を発見する制約に基づく手法の妥当性が、より一般的な仮定のもとでも保たれる。