[論文レビュー] Causal Discovery from Heterogeneous/Nonstationary Data

Biwei Huang, Kun Zhang+5 more|arXiv (Cornell University)|Mar 5, 2019

Bayesian Modeling and Causal Inference被引用数 76

ひとこと要約

本稿では、窓分割を用いず、分布シフトを活用して因果スケルトンおよび方向を同定することで、異種または非定常データからの因果発見のための非パrametricな制約ベースのフレームワーク、CD-NODを提案する。この手法により、メカニズムの変化の低次元表現が推定可能となり、交絡要因が存在する状況下でも、データの多様性が因果構造同定を向上させることを明らかにする。

ABSTRACT

It is commonplace to encounter heterogeneous or nonstationary data, of which the underlying generating process changes across domains or over time. Such a distribution shift feature presents both challenges and opportunities for causal discovery. In this paper, we develop a framework for causal discovery from such data, called Constraint-based causal Discovery from heterogeneous/NOnstationary Data (CD-NOD), to find causal skeleton and directions and estimate the properties of mechanism changes. First, we propose an enhanced constraint-based procedure to detect variables whose local mechanisms change and recover the skeleton of the causal structure over observed variables. Second, we present a method to determine causal orientations by making use of independent changes in the data distribution implied by the underlying causal model, benefiting from information carried by changing distributions. After learning the causal structure, next, we investigate how to efficiently estimate the driving force of the nonstationarity of a causal mechanism. That is, we aim to extract from data a low-dimensional representation of changes. The proposed methods are nonparametric, with no hard restrictions on data distributions and causal mechanisms, and do not rely on window segmentation. Furthermore, we find that data heterogeneity benefits causal structure identification even with particular types of confounders. Finally, we show the connection between heterogeneity/nonstationarity and soft intervention in causal discovery. Experimental results on various synthetic and real-world data sets (task-fMRI and stock market data) are presented to demonstrate the efficacy of the proposed methods.

研究の動機と目的

• 分布シフトによってドメインや時間にわたってメカニズムが変化するデータにおける因果発見の課題に対処すること。
• 窓分割や強い分布仮定に依存しない非パラメトリックな手法を構築し、因果スケルトンおよび方向を同定すること。
• 非定常的因果メカニズムの背後にある駆動要因の低次元表現を推定すること。
• データの多様性が、交絡要因が存在する状況下でも因果構造同定をどのように向上させるかを調査すること。
• 非定常性とソフト介入の間の理論的関連性を確立すること。

提案手法

• 強化された制約ベースの手順により、局所的メカニズムが変化する変数を同定し、ドメインや時系列ポイントをまたがる因果スケルトンを回復する。
• 因果モデルが示唆する分布シフトの情報を活用して、データ分布の独立的変化を用いて因果の向きを特定する。
• 非パラメトリックなアプローチにより、メカニズム変化の低次元表現を推定し、非定常性の駆動要因を捉える。
• データ分布や因果メカニズムに特定のパラメトリック形式を仮定しないため、広範な適用性が保証される。
• ドメインや時間にわたる分布シフトを直接モデル化することで、窓分割を回避する。
• ソフト介入理論の知見を統合し、因果発見における非定常性と介入に類似した効果の関連を確立する。

実験結果

リサーチクエスチョン

• RQ1 メカニズムがドメインや時間にわたって変化する異種または非定常データから、因果構造を信頼性高く回復する方法は何か？
• RQ2 変化点の事前知識がなくても、分布シフトを活用して因果の向きの検出を改善できるか？
• RQ3 因果モデルにおけるメカニズム変化の低次元表現を効果的に推定する非パラメトリックな手法は何か？
• RQ4 データの多様性は、特に交絡要因が存在する状況下で、因果構造同定にどのように影響するか？
• RQ5 因果発見において、非定常性とソフト介入の理論的関連性は何か？

主な発見

• 提案されたCD-NODフレームワークは、窓分割を要件とせず、異種および非定常データにおける因果スケルトンおよび方向の同定に成功している。
• 交絡要因が存在する状況下でも、分布シフトを活用することで因果構造同定が向上している。
• メカニズム変化の駆動要因の非パラメトリック推定により、非定常性の効果的かつ低次元の表現が可能となった。
• 合成データ、fMRI、株価市場データに対する実験結果から、本手法の多様なデータタイプに対する頑健さと有効性が示された。
• 本研究では、非定常性とソフト介入の間の理論的リンクを確立し、因果発見の概念的枠組みを豊かにした。