[論文レビュー] Causal Network Learning from Multiple Interventions of Unknown Manipulated Targets

Yango He, Zhi Geng|arXiv (Cornell University)|Oct 27, 2016

Bayesian Modeling and Causal Inference参考文献 19被引用数 7

ひとこと要約

本稿では、介入ターゲットが不明な複数の介入データから因果ネットワークを学習するための2つの手法を提案する：大規模なサンプルサイズではグラフ統合、小規模なサンプルサイズではリサンプリングを用いたデータプール。主な貢献は、介入ターゲットに関する事前知識がなくても、因果構造をきめ細かく特定できる統計的に妥当なアプローチであり、観測学習よりも精度が向上するシミュレーション結果が示されている。

ABSTRACT

In this paper, we discuss structure learning of causal networks from multiple data sets obtained by external intervention experiments where we do not know what variables are manipulated. For example, the conditions in these experiments are changed by changing temperature or using drugs, but we do not know what target variables are manipulated by the external interventions. From such data sets, the structure learning becomes more difficult. For this case, we first discuss the identifiability of causal structures. Next we present a graph-merging method for learning causal networks for the case that the sample sizes are large for these interventions. Then for the case that the sample sizes of these interventions are relatively small, we propose a data-pooling method for learning causal networks in which we pool all data sets of these interventions together for the learning. Further we propose a re-sampling approach to evaluate the edges of the causal network learned by the data-pooling method. Finally we illustrate the proposed learning methods by simulations.

研究の動機と目的

• 複数の実験データセットにおいて介入ターゲットが不明な状況での因果ネットワーク構造の学習という課題に取り組む。
• どの変数が操作されたかの不確実性がある中でも因果構造を同定する手法を開発する。
• 介入実験における大規模および小規模なサンプルサイズの両方に対応できるスケーラブルな学習手法を提案する。
• リサンプリング技術を用いてエッジの信頼性を評価し、学習された構造に対する信頼性を高める。

提案手法

• 大規模サンプルサイズ向けに、個々の介入データセットから別々のネットワークを学習し、それらを統合するグラフ統合手法を提案する。
• 小規模サンプルサイズ向けに、すべての介入データを1つのデータセットに統合して構造学習を行うデータプール手法を導入する。
• リサンプリングに基づくエッジ評価技術を用いて、学習されたネットワークにおけるエッジの頻度と信頼性を評価する。
• 条件付き独立性検定を用いてv構造を同定し、エッジを方向付ける。エッジ頻度はリサンプリングから得られ、信頼度の順位付けに用いる。
• エッジのリサンプリング頻度がしきい値を上回る場合にのみエッジを含む選択プロセスを閾値ベースで実装し、誤検出を最小限に抑える。
• Rで手法を実装し、再現性を確保するため著者らのウェブサイトからコードを公開している。

実験結果

リサーチクエスチョン

• RQ1 外部介入のターゲットが不明な状況でも因果ネットワーク構造を同定できるか？
• RQ2 操作対象の変数が不明な複数の介入から、効果的に因果ネットワークを学習できるか？
• RQ3 小規模サンプルサイズが、このような状況下での因果構造学習の信頼性に与える影響は何か？
• RQ4 リサンプリングを併用したデータプールは、個々の介入解析に比べてエッジ検出の精度を向上させられるか？
• RQ5 介入ターゲットが観測不能な状況で、エッジの信頼性をどのように定量化できるか？

主な発見

• グラフ統合手法は、介入ターゲットを知らなくても、観測学習よりも多くの有向エッジを回復できた。
• 小規模サンプルでは、リサンプリングを併用したデータプール手法が、しきい値θ=20でFN+FPの合計が4.69にまで低下し、観測学習（合計=5.73）を上回る性能を示した。
• リサンプリング手法におけるエッジ選択の最適なしきい値はθ=20であり、FN=3.37とFP=1.32の合計が最小化された。
• リサンプリング頻度が高いエッジは、真陽性である可能性が著しく高く、リサンプリング順位上位10エッジのうち100%が真陽性であった。
• 介入ターゲットが不明な状況下でも、元の因果ネットワークの局所構造を正しく同定できた。
• リサンプリングを併用したデータプールアプローチは、観測データのみから学習する場合よりも優れた性能を示し、特に偽陽性の低減という点で顕著であった。