[論文レビュー] Causal Discovery with General Non-Linear Relationships Using Non-Linear ICA

Ricardo Pio Monti, Kun Zhang+1 more|Työväentutkimus Vuosikirja|Apr 19, 2019

Blind Source Separation Techniques参考文献 25被引用数 13

ひとこと要約

本論文は、非線形ICAを用いて一般非線形関係のための新しい因果発見手法を提案する。非線形性と非加法的ノイズの仮定をせず、実験的条件における非定常性を活用して因果方向を同定する。独立性検定と尤度比近似を用いて因果構造を推論し、シミュレーションおよび実際のfMRIデータにおいて優れた性能を示し、多次元設定でも既存手法を上回る。

ABSTRACT

We consider the problem of inferring causal relationships between two or more passively observed variables. While the problem of such causal discovery has been extensively studied especially in the bivariate setting, the majority of current methods assume a linear causal relationship, and the few methods which consider non-linear dependencies usually make the assumption of additive noise. Here, we propose a framework through which we can perform causal discovery in the presence of general non-linear relationships. The proposed method is based on recent progress in non-linear independent component analysis and exploits the non-stationarity of observations in order to recover the underlying sources or latent disturbances. We show rigorously that in the case of bivariate causal discovery, such non-linear ICA can be used to infer the causal direction via a series of independence tests. We further propose an alternative measure of causal direction based on asymptotic approximations to the likelihood ratio, as well as an extension to multivariate causal discovery. We demonstrate the capabilities of the proposed method via a series of simulation studies and conclude with an application to neuroimaging data.

研究の動機と目的

• 線形性や加法的ノイズの仮定を必要とする従来の因果発見手法の制限を解消すること。
• 一般非線形構造方程式モデル（SEMs）下での二変量および多次元因果発見の一般枠組みを構築すること。
• 非線形的・非加法的モデルにおける因果方向の同定可能性を、実験的条件間の非定常性を用いて実現すること。
• 関数形やノイズ分布の事前知識を必要とせず、観測データへの広範な適用可能性を実現すること。
• 合成データおよび実神経画像データを用いた検証により、本手法の頑健性と実用的有用性を示すこと。

提案手法

• 本手法は、複数の実験的条件下で収集された観測データから潜在的要因または摂動を非線形ICAを用いて回復することに基づく。
• 実験的レジームの変化によって誘発される非定常性を活用し、観測変数と推定された潜在要因の間の独立性検定により、因果構造を同定する。
• 独立性検定の代替として、漸近的近似を用いた尤度比に基づく指標を提案し、因果方向を評価する。
• 深層ニューラルネットワークを用いたNonSENS（非線形源推定構造）を用いて、スケルトンにおける非有向エッジを解消することで、多次元因果発見に拡張する。
• 混合行列が実験的条件によって変化すると仮定し、潜在要因の回復によって因果順序を同定する。
• 非線形ICAと非線形SEMの対応関係を活用し、因果方向を潜在要因の非定常性から推定する。

実験結果

リサーチクエスチョン

• RQ1 加法的ノイズや線形性の仮定をせず、一般非線形SEMにおいて因果方向を同定できるか？
• RQ2 実験的条件間の非定常性を、非線形モデルにおける因果発見の同定可能性の源泉として利用できるか？
• RQ3 PC、RESIT、CD-NODといった既存手法と比較して、非線形的・非加法的関係下での正確性と頑健性において本手法はどのように優れているか？
• RQ4 真の因果構造が不明な高次元の現実世界の神経画像データ（fMRI）において、本手法は因果構造を効果的に回復できるか？
• RQ5 尤度比近似は、因果方向推定における独立性検定の代替として信頼的かつ効率的であるか？

主な発見

• 6次元データにおける多次元因果発見において、PCやRESITといった既存手法を上回り、混合DNNの各深さ（l=1から5）においてF1スコアが高く維持される。
• 因果効果が既知の二変量設定では、尤度比に基づく指標が他のアルゴリズムを著しく上回り、実験的条件の数が増えるほどその優位性が顕著になる。
• 因果構造が存在しない（循環的ケース）場合、すべての手法が保守的になるが、本手法はボンフェローニ補正下でも95％の確率で不確実な構造を正しく同定する。
• 休息状態fMRIデータから海馬を対象に、解剖学的に妥当な有向接続を回復した。青色（妥当）エッジの85％が既知の解剖的結合と一致し、赤色（不適切）エッジの予測は15％にとどまった。
• 各条件あたりの観測数が増加しても本手法は競争力を持続し、高サンプル数領域でも頑健であることが示された。
• NonSENS拡張により、多次元設定における非有向エッジの解消が効果的に行われ、PCアルゴリズムに比べて性能が向上した。