[論文レビュー] Causes and Explanations: A Structural-Model Approach. Part II: Explanations

Joseph Y. Halpern, Judea Pearl|ArXiv.org|Aug 20, 2002

Bayesian Modeling and Causal Inference参考文献 16被引用数 37

ひとこと要約

本稿では、構造方程式モデルを用いた因果的説明の形式的定義を提案する。説明とは、その事実が真であれば、説明対象の現象の実際に因果的要因となるような事実である。これは、エージェントの初期の不確実性とは無関係である。このアプローチは反事後的推論と実際に因果的要因であるという定義を活用し、方向性や説明における問題的例を扱う。知識に敏感な、確率的または論理的代替手法よりも直感的なケースで優れた、堅牢なフレームワークを提供する。

ABSTRACT

We propose new definitions of (causal) explanation, using structural equations to model counterfactuals. The definition is based on the notion of actual cause, as defined and motivated in a companion paper. Essentially, an explanation is a fact that is not known for certain but, if found to be true, would constitute an actual cause of the fact to be explained, regardless of the agent's initial uncertainty. We show that the definition handles well a number of problematic examples from the literature.

研究の動機と目的

• エージェントの認識状態を考慮した、形式的かつ知識に敏感な因果的説明の定義を提供すること。
• 長年にわたり問題視されてきた説明の問題、たとえば方向性（例：旗竿の高さと影の長さ）を、構造的因果モデルを用いて解決すること。
• 第I部で定義された実際に因果的要因であるという定義を拡張し、真であれば因果的要因となるが、確実には知らないような説明を可能にすること。
• 確率的推論を説明に組み込み、部分的説明や説明力の評価を可能にすること。
• 確率的依存関係や論理的含意に依存しない形で説明を形式化することにより、因果的因果関係の方向性を保つこと。

提案手法

• 機械的メカニズムを表すために、署名 (U, V, R) と構造方程式 F_X を用いた構造的因果モデルを定義する。
• 第I部で定義された反事後的推論と介入に基づく実際に因果的要因であるという形式的定義を適用し、説明が真であれば何が因果的要因となるかを同定する。
• 説明を、真であれば説明対象 φ の実際に因果的要因となるような事実 ψ として定義する。これは、当初は不確実であっても同様に成り立つ。
• 確率的拡張を導入し、Pr([X←3](Y=1)) = .9 のような文を許容することで、部分的説明や説明力の評価を可能にする。
• 変数の分割（Z, W）を用いて反事後的安定性と最小性をテストし、因果関係において必須な要因のみを考慮することを保証する。
• 説明をエージェントの知識に相対的に扱う：既知の事実は説明の一部ではなく、未知の因果モデルは含めることができる。

実験結果

リサーチクエスチョン

• RQ1 エージェントが説明すべき事実を知らない状況で、どのような因果的説明が有効とされるか。
• RQ2 因果関係の方向性を尊重する形で、説明をどのように定義できるか。たとえば、影の長さを旗竿の高さで説明できるが、逆はできない。
• RQ3 因果モデルが完全に分かっていない状況で、説明をどのように形式化できるか。また、これにより説明の適切さにどのような影響が及ぶか。
• RQ4 確率的情報はどのように説明に統合できるか。これにより、統計的関連性や依存関係に還元されない形で説明を保つにはどうすればよいか。
• RQ5 エージェントが因果のメカニズムや証拠の一部を既に知っているような状況では、説明の定義はどのように扱えるか。

主な発見

• 反事後的依存性のおかげで、本定義は旗竿と影の例をうまく処理する。旗竿の高さが影の長さを説明するが、逆は成り立たない。
• エージェントの認識状態に基づいて説明を区別する。メカニズムは知っているが露出状況が分からないエージェントにとっては、露出状況が説明であり、メカニズムではない。
• 第I部で定義された明確な実際に因果的要因の枠組みに依存することで、論理的選言的因果要因の問題を回避する。この枠組みは最小性と介入に基づいて、こうしたケースを適切に処理する。
• 確率的統合により、『確率.9でアスベストの曝露が肺がんを引き起こす』のような部分的説明が可能となり、介入確率を用いて形式的に捉えることができる。
• 説明力の定義は、説明が正しい確率として形式化され、ガーデンファースの枠組みと整合的であるが、因果的構造に基づいている。
• 論理的含意や統計的依存関係に依存しないため、因果的因果関係の方向性を保ち、他のアプローチが抱える直感的でないケースを解消する。