[論文レビュー] Causal Compression

Aleksander Wieczorek, Volker Röth|arXiv (Cornell University)|Nov 1, 2016

Fault Detection and Control Systems被引用数 5

ひとこと要約

本稿では、因果的圧縮を導入し、時間的データにおける因果関係を特定するための手法を提示する。この手法は、有向情報量を最大化することで、流入、送出、瞬時的な因果的フローを持つ時間点を同定する。主な貢献は、因果推定がデータのコプシラにのみ依存することを証明したことであり、これにより周辺分布に対してロバストで、スパースかつ解釈可能な因果的セグメンテーションと二部グラフ回復が可能になる。

ABSTRACT

We propose a new method of discovering causal relationships in temporal data based on the notion of causal compression. To this end, we adopt the Pearlian graph setting and the directed information as an information theoretic tool for quantifying causality. We introduce chain rule for directed information and use it to motivate causal sparsity. We show two applications of the proposed method: causal time series segmentation which selects time points capturing the incoming and outgoing causal flow between time points belonging to different signals, and causal bipartite graph recovery. We prove that modelling of causality in the adopted set-up only requires estimating the copula density of the data distribution and thus does not depend on its marginals. We evaluate the method on time resolved gene expression data.

研究の動機と目的

• 完全な因果グラフ推定を必要とせずに、時系列データにおける因果関係を同定する手法の開発を目的とする。
• 時系列間の因果的フローを特定する課題に、因果的影響を持つ時間点に焦点を当てることで対処することを目的とする。
• 因果モデリングがデータのコプシラにのみ依存し、周辺分布に依存しないことを示すことにより、推論のロバスト性を確保することを目的とする。
• 圧縮に基づく選択を用いて、因果的時系列セグメンテーションと二部グラフ回復の原理的アプローチを提供することを目的とする。
• 有向情報量とスパarsityに裏付けられた因果的圧縮原理を形式化し、有向情報量の連鎖則を用いた理論的裏付けを提供することを目的とする。

提案手法

• 時系列間の有向情報量フローを最大化する時間点を選択する因果的圧縮原理を提案し、因果性を圧縮問題として定式化する。
• 時系列における有向情報量の連鎖則を導入し、時間点ごとの因果的フローの分解を可能にする。
• スパarsity制約を用いて、意味のある因果的接続のみを選択する。これにより、因果的圧縮と因果的スパarsityを結びつける。
• 制約付き最適化フレームワークを用いて、情報フローとモデルの単純さのバランスを取った、時系列の因果的スパース表現を計算する。
• 有向情報量のコプシラに基づく定式化を導出し、因果推定が周辺分布ではなくコプシラ密度にのみ依存することを証明する。
• 本手法を2つのタスクに適用する：因果的時系列セグメンテーション（流入・送出・瞬時のフローの同定）と因果的二部グラフ回復。

実験結果

リサーチクエスチョン

• RQ1 完全な因果グラフ推定を伴わずに、有向情報量フローを最大化することで時系列における因果関係を同定できるか？
• RQ2 有向情報量の連鎖則とスパarsity制約を用いて、因果的圧縮をどのように形式化できるか？
• RQ3 因果推定が周辺分布ではなく、データのコプシラに依存する程度はどの程度か？
• RQ4 因果的圧縮を用いて、因果的役割（流入・送出・瞬時）に分類された時系列セグメンテーションを高精度で行えるか？
• RQ5 本手法を用いて、2つの時系列間の因果的二部グラフを回復でき、有向結合と瞬時結合を区別できるか？

主な発見

• 提示された因果的圧縮手法は、合成データ上において因果的セグメンテーションと二部グラフを効果的に回復し、流入・送出・瞬時のフローを持つノードを正しく同定した。
• 合成データ上において、本手法は正確な因果的二部グラフ回復を達成し、有向エッジと瞬時の結合を正しく同定した。
• 有向情報量の連鎖則と、因果的圧縮が因果構造におけるスパarsityを示す証明により、因果的圧縮原理は理論的に裏付けられている。
• 理論的分析により、有向情報量がコプシラ密度のエントロピーにのみ依存することが示され、因果推定が周辺分布に対して不変であることが明らかになった。
• HCV患者の時間分解能のある遺伝子発現データに対して、著しい反応者ではIFIT3からSTAT1への前処理段階での因果的影響が強く、不良反応者では遺伝子間の瞬時の結合がより保持されていることが明らかになった。
• 著しい反応者では、治療がベースラインのSTAT1-IFIT3相互作用を破壊しており、治療反応のメカニズムが前処理段階の因果的構造に起因している可能性が示唆された。