[論文レビュー] Discovering Cyclic Causal Models by Independent Components Analysis

Gustavo Lacerda, Peter Spirtes+2 more|arXiv (Cornell University)|Jun 13, 2012

Blind Source Separation Techniques参考文献 11被引用数 45

ひとこと要約

この論文は、循環的因果構造を有する線形非ガウス構造方程式モデル（LiNG）を発見するため、ICAに基づく手法を拡張する。従来の非循環的LiNGAM手法を一般化し、観測データから循環的LiNGモデルの分布同等クラスを特定するフレームワークを提案。また、同クラス内に唯一の安定モデルが存在する十分条件を提示し、大標本極限において一意な因果発見を可能にする。

ABSTRACT

We generalize Shimizu et al's (2006) ICA-based approach for discovering linear non-Gaussian acyclic (LiNGAM) Structural Equation Models (SEMs) from causally sufficient, continuous-valued observational data. By relaxing the assumption that the generating SEM's graph is acyclic, we solve the more general problem of linear non-Gaussian (LiNG) SEM discovery. LiNG discovery algorithms output the distribution equivalence class of SEMs which, in the large sample limit, represents the population distribution. We apply a LiNG discovery algorithm to simulated data. Finally, we give sufficient conditions under which only one of the SEMs in the output class is 'stable'.

研究の動機と目的

• 非循環構造に限らないICAベースのLiNGAM手法を、循環的構造へと一般化して扱えるようにすること。
• 因果グラフに循環を含む線形非ガウス構造方程式モデル（LiNG）を発見する課題に対処すること。
• 観測データから循環的LiNGモデルの分布同等クラスを特定すること。
• 出力同等クラス内に唯一の安定モデルが存在する十分条件を確立すること。
• 循環が存在する状況下でも、大標本極限において一意な因果発見を可能にすること。

提案手法

• 循環を含む線形非ガウス構造方程式モデルにおける誤差分布を特定するため、独立成分分析（ICA）を適応する。
• 観測データにLiNG発見アルゴリズムを適用し、循環SEMの分布同等クラスを回復する。
• 誤差項の構造とその独立性を用いて、循環が存在する場合でも元の因果グラフを推定する。
• モデルクラスの同定可能性を保証するため、誤差分布および構造係数に制約を課す。
• 係数行列の固有値特性を活用して、同等クラスが唯一の安定モデルに縮退する条件を導出する。
• 複数の候補が存在する場合に、一意の安定モデルを特定するためのスコアベースの選択基準を採用する。

実験結果

リサーチクエスチョン

• RQ1 ICAベースの手法を、線形非ガウスモデルにおける循環的因果構造の同定に拡張できるか？
• RQ2 循環的LiNGモデルの分布同等クラス内で、唯一の安定モデルが存在する条件は何か？
• RQ3 観測データから循環的LiNGモデルの分布同等クラスをどのように特定できるか？
• RQ4 誤差項の非ガウス性は、循環的因果構造の同定にどのような役割を果たすか？
• RQ5 循環が存在する状況下で、観測データから因果構造が一意に回復可能となる条件は何か？

主な発見

• 提案手法は、観測データから循環的線形非ガウス構造方程式モデルの分布同等クラスを効果的に同定できた。
• 出力同等クラス内に唯一の安定モデルが存在する十分条件が確立され、一意な因果発見が可能となった。
• ICAと非ガウス性を活用することで、従来の非循環的LiNGAM手法を循環的ケースに一般化した。
• シミュレーション結果から、仮定された条件下でアルゴリズムが正しい同等クラスを回復することが確認された。
• 安定性条件により、モデルが介入に対して不変であることが保証され、因果的解釈が可能となった。
• 大標本極限において一貫性を保ち、真の同等クラスに収束することが確認された。