[論文レビュー] Characterizing and Learning Equivalence Classes of Causal DAGs under Interventions

Karren Yang, Abigail Katcoff+1 more|arXiv (Cornell University)|Feb 17, 2018

Bayesian Modeling and Causal Inference参考文献 32被引用数 22

ひとこと要約

本稿は、一般（非完璧な）介入下における因果DAGの干渉的マークフ・同値クラス（I-MECs）を学習する、初めての証明可能に一貫性のあるアルゴリズムを提案する。一般介入下でのd分離および条件付き独立性を用いてI-MECsを特徴付け、このような介入が完璧な介入と同等の同定可能性を提供することを示し、観測データおよび非完璧な介入データから正確な因果構造学習を可能にする。

ABSTRACT

We consider the problem of learning causal DAGs in the setting where both observational and interventional data is available. This setting is common in biology, where gene regulatory networks can be intervened on using chemical reagents or gene deletions. Hauser and Bühlmann (2012) previously characterized the identifiability of causal DAGs under perfect interventions, which eliminate dependencies between targeted variables and their direct causes. In this paper, we extend these identifiability results to general interventions, which may modify the dependencies between targeted variables and their causes without eliminating them. We define and characterize the interventional Markov equivalence class that can be identified from general (not necessarily perfect) intervention experiments. We also propose the first provably consistent algorithm for learning DAGs in this setting and evaluate our algorithm on simulated and biological datasets.

研究の動機と目的

• 生物学的実験で一般的に見られる一般（ソフト）介入へと、因果DAGの同定可能性を完璧な介入を超えて拡張すること。
• 一般介入下における干渉的マークフ同値クラス（I-MECs）を形式的に定義・特徴付けること。これは完璧なI-MECフレームワークを一般化する。
• 観測データと混合された介入データからI-MECsを学習する、最初の証明可能に一貫性のあるアルゴリズムを開発すること。介入が非完璧であっても適用可能である。
• 合成データおよび実際の生物学的データセット上でアルゴリズムを評価し、RNAiやCRISPR活性化などの非完璧な介入に対して頑健であることを示すこと。

提案手法

• 一般介入下でのd分離および条件付き独立性関係に基づき、新たな干渉的マークフ同値クラス（I-MEC）の定義を提案する。
• やや弱い仮定の下で、一般介入が同定の目的において完璧な介入と同等の因果的情報を提供することを確立する。
• 観測データと介入データを統合して使用するインヴァリアンス検定および条件付き独立性検定を用い、I-MECを回復する新しいアルゴリズムIGSP（Interventional Greedy Sparsest Permutation）を導入する。
• 混合された介入タイプ間で条件付き独立性関係が保存されることを示す混合モデルの議論を用い、一貫性のある構造学習を可能にする。
• 観測データおよび介入分布の両方を活用して、データに整合する最もスパarsなグラフを特定するための順列上でのグリーディ探索戦略を採用する。
• 小標本サイズでの性能向上のためのプーリングヒューリスティックを適用するが、これは漸近的極限では一貫性を示さない。

実験結果

リサーチクエスチョン

• RQ1 一般（非完璧な）介入下において、干渉的マークフ同値クラスを一貫して特徴付けられるか？
• RQ2 非完璧な介入は、標準的なマークフ同値クラスよりも小さい同値クラスを同定するのに十分な情報を提供するか？
• RQ3 観測データおよび一般介入データから因果DAGを学習する、証明可能に一貫性のあるアルゴリズムを設計することは可能か？
• RQ4 非完璧またはソフト介入下において、このようなアルゴリズムの性能は既存手法と比べてどうか？

主な発見

• 本稿は、RNAiや部分的効果を示すCRISPRなどの一般介入が、やや弱い仮定の下で完璧な介入と同等の同定可能性を提供することを確立した。
• 提案されたIGSPアルゴリズムは、介入が非完璧であっても、観測データおよび一般介入データからI-MECを証明可能に一貫して学習可能である。
• 単一変数介入ではIGSPはperfect-IGSPを上回るが、変数が複数ある介入では、仮説検定の増加のため、perfect-IGSPとは異なり性能が劣る。
• プーリング戦略のヒューリスティックは、小標本サイズでのIGSP性能を向上させるが、漸近的極限では一貫性を示さない。
• 合成データおよび生物学的データセットにおける実験的評価により、IGSPが非完璧な介入が一般的に見られるゲノム分野においても、高い正確性で正しいI-MECを回復することが確認された。