[論文レビュー] Causal Discovery from a Mixture of Experimental and Observational Data

Gregory F. Cooper, Changwon Yoo|arXiv (Cornell University)|Jan 23, 2013

Bayesian Modeling and Causal Inference参考文献 7被引用数 172

ひとこと要約

本稿では、混合された実験的および覀視的データから因果的発見を行うベイジアン手法を提案する。両方のデータタイプを統合して、因果的ベイジアンネットワークを学習する。干渉（実験的データ）と受動的観察を活用することで、因果構造の再構築とパラメータ推定の精度が向上し、データ割合の系統的変化を伴うALARMネットワーク上で実証された。構造回復とパラメータ推定の両面で顕著な向上が得られた。

ABSTRACT

This paper describes a Bayesian method for combining an arbitrary mixture of observational and experimental data in order to learn causal Bayesian networks. Observational data are passively observed. Experimental data, such as that produced by randomized controlled trials, result from the experimenter manipulating one or more variables (typically randomly) and observing the states of other variables. The paper presents a Bayesian method for learning the causal structure and parameters of the underlying causal process that is generating the data, given that (1) the data contains a mixture of observational and experimental case records, and (2) the causal process is modeled as a causal Bayesian network. This learning method was applied using as input various mixtures of experimental and observational data that were generated from the ALARM causal Bayesian network. In these experiments, the absolute and relative quantities of experimental and observational data were varied systematically. For each of these training datasets, the learning method was applied to predict the causal structure and to estimate the causal parameters that exist among randomly selected pairs of nodes in ALARM that are not confounded. The paper reports how these structure predictions and parameter estimates compare with the true causal structures and parameters as given by the ALARM network.

研究の動機と目的

• 実験的および覀視的データを統合して、ベイジアンネットワークにおける因果的発見の精度を向上させる手法を開発すること。
• 干渉に基づく記録と受動的観察記録を含む多様なデータソースがある状況において、因果構造を学習する課題に対処すること。
• 実験的データと覀視的データの割合を変化させた場合、因果構造およびパラメータ学習の精度に与える影響を評価すること。
• 制御されたデータミックスの下で、ベンチマーク因果ネットワーク（ALARM）において、本手法の有効性を示すこと。

提案手法

• 本手法は、覀視的および実験的データの混合物から因果構造とパラメータを同時に学習するためのベイジアンフレームワークを採用する。
• データ生成プロセスを因果的ベイジアンネットワークとしてモデル化し、受動的観察と干渉駆動型データの両方を組み込む。
• 条件付き確率分布を用いて因果的関係を表現し、干渉を明示的にdo操作としてモデル化する。
• ベイズの定理を用いて、両方のデータタイプからの証拠を統合し、可能な因果構造およびパラメータの事後分布を計算する。
• 評価の際、ALARMネットワークにおける交絡のないノードペアに焦点を当てる。
• 系統的な実験により、実験的データと覀視的データの相対的量を変化させ、さまざまなデータミックスにおける性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 実験的および覀視的データを組み合わせることで、単独で使用する場合と比較して、因果構造発見の精度がどのように向上するか。
• RQ2 実験的データの割合を変化させた場合、因果パラメータ推定の精度にどのような影響が生じるか。
• RQ3 混合データが与えられた場合、既知のネットワーク（ALARM）の真の因果構造を信頼性を持って回復できるか。
• RQ4 干渉の存在が、ベイジアン学習プロセスにおける正しい因果構造の事後確率にどのように影響するか。

主な発見

• 実験的データがわずかに少数でも含まれる場合、因果構造回復の精度が顕著に向上した。
• 特に直接的な因果効果に関しては、実験的データを統合することで、パラメータ推定がより正確になった。
• ALARMネットワークにおける交絡のないノードペア間の真の因果関係を、高い精度で同定できた。
• 実験的データの割合が増加するにつれて性能が単調に向上し、干渉の価値が明確に示された。