[論文レビュー] Causal Theories: A Categorical Perspective on Bayesian Networks

Gu, Tao, Zanasi, Fabio|arXiv (Cornell University)|Jan 26, 2013

Bayesian Modeling and Causal Inference参考文献 21被引用数 42

ひとこと要約

本稿は、カテゴリー理論を用いて因果関係を形式化する対称モノイダル圏としての因果理論を導入し、ベイジアンネットワークにおける情報フローの図式的言語を提供する。可測空間と確率的写像の圏における確率的モデルが、ベイジアンネットワークを一般化し、基本的な構成に対して閉じた圏を形成することを示す一方で、この圏における余積の非存在を示し、因果モデルの合成における構造的制限を強調する。

ABSTRACT

In this dissertation we develop a new formal graphical framework for causal reasoning. Starting with a review of monoidal categories and their associated graphical languages, we then revisit probability theory from a categorical perspective and introduce Bayesian networks, an existing structure for describing causal relationships. Motivated by these, we propose a new algebraic structure, which we term a causal theory. These take the form of a symmetric monoidal category, with the objects representing variables and morphisms ways of deducing information about one variable from another. A major advantage of reasoning with these structures is that the resulting graphical representations of morphisms match well with intuitions for flows of information between these variables. These categories can then be modelled in other categories, providing concrete interpretations for the variables and morphisms. In particular, we shall see that models in the category of measurable spaces and stochastic maps provide a slight generalisation of Bayesian networks, and naturally form a category themselves. We conclude with a discussion of this category, classifying the morphisms and discussing some basic universal constructions. ERRATA: (i) Pages 41-42: Objects of a causal theory are words, not collections, in $V$, and we include swaps as generating morphisms, subject to the identities defining a symmetric monoidal category. (ii) Page 46: A causal model is a strong symmetric monoidal functor.

研究の動機と目的

• 本稿の目的は、カテゴリー理論を用いて因果的推論を形式化し、因果的推論のための厳密で図式的なフレームワークを提供することである。
• 因果的依存関係と確率的推論を両方捉えるカテゴリカル構造に埋め込むことで、ベイジアンネットワークを一般化することを目的としている。
• 目的には、可測空間と確率的写像の圏 Stoch における因果理論のモデルを分析し、それらが標準的なベイジアンネットワークを一般化することを示すことである。
• 確率的因果モデルの圏の構造的性質、特に極限や普遍的構成の調査を行うこと。
• 本稿は、反事後的推論や量子にインspiredなモデルを含む因果理論への拡張の可能性をさらに探求する。

提案手法

• 本稿は、対象が確率的変数を表し、射が確率的推論関係を表す対称モノイダル圏として因果理論を定義する。
• モノイダル圏の図式的計算を用いて、変数間の情報フローと条件付き依存関係を視覚的に表現する。
• 可測空間を対象とし、確率的写像を射とする圏 Stoch において因果理論をモデル化することで、ベイジアンネットワークを一般化する。
• Giry モナドを用いて、カテゴリカルな枠組み内での確率測度と確率的遷移を形式化する。
• 図式的推論を用いてシンプソンのパラドックスを分析し、因果的構造が一見した統計的矛盾をどのように解消できるかを示す。
• 確率的因果モデルの圏における普遍的構成（積と余積）を調査し、Lebesgue零集合における押し出し測度による矛盾を用いてそれらの非存在を証明する。

実験結果

リサーチクエスチョン

• RQ1 確率的変数間の因果関係は、対称モノイダル圏と図式的言語を用いてどのように形式化できるか？
• RQ2 ベイジアンネットワークの背後にある圏的構造は何か？ そして、標準的な確率的モデルを超えてどのように一般化されるか？
• RQ3 因果理論は反事後的推論や予測を超えた推論をモデル化できるか？ 特にベイジアン逆転を通じて。
• RQ4 確率的因果モデルの圏は、積や余積のような標準的な普遍的構成を備えているか？
• RQ5 結合分布における条件付き独立性関係は、圏的枠組みにおける因果的構造とどのように関係しているか？

主な発見

• Stoch における確率的因果モデルの圏は、Lebesgue零集合における押し出し測度に起因する矛盾から、余積を備えないことが示された。
• 因果理論の図式的計算は、ベイジアンネットワークにおける因果的直観と整合する直感的で厳密な情報フローの表現を提供する。
• Stoch におけるモデルは、より一般的な確率的写像と可測構造を許容することで、ベイジアンネットワークを一般化する。
• 本稿は、すべての条件付き独立構造が因果的グラフで表現可能ではないことを示し、より豊かな圏的フレームワークの必要性を示唆した。
• ベイジアン逆転—反事後的推論に不可欠なもの—は、測度ゼロの集合のため、一意性に課題を受けることが判明した。特に、事前分布が全測度でない場合に顕著である。
• 本フレームワークは、結合分布間の測度を保存する写像による同値関係を定義することで、因果モデルのモジュライ空間への道筋を示唆している。