[論文レビュー] DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models

Patrick Blöbaum, Peter Götz+3 more|arXiv (Cornell University)|Jun 14, 2022

Bayesian Modeling and Causal Inference被引用数 44

ひとこと要約

DoWhy-GCM は DoWhy ライブラリを拡張し、グラフィカル因果モデルをサポート、効果推定を超える因果探索の幅を広げ、根本原因分析、因果構造学習、反事実推論を含む。

ABSTRACT

We present DoWhy-GCM, an extension of the DoWhy Python library, which leverages graphical causal models. Unlike existing causality libraries, which mainly focus on effect estimation, DoWhy-GCM addresses diverse causal queries, such as identifying the root causes of outliers and distributional changes, attributing causal influences to the data generating process of each node, or diagnosis of causal structures. With DoWhy-GCM, users typically specify cause-effect relations via a causal graph, fit causal mechanisms, and pose causal queries -- all with just a few lines of code. The general documentation is available at https://www.pywhy.org/dowhy and the DoWhy-GCM specific code at https://github.com/py-why/dowhy/tree/main/dowhy/gcm.

研究の動機と目的

• グラフィカル因果モデル（GCM）を用いて効果推定を超えた因果推論を動機づけ、可能にする。
• データから因果メカニズムを用いた因果グラフをモデリングし、拡張性のあるモジュラーな Python API を提供する。
• 根本原因識別、構造学習、属性評価、What-if 分析など、幅広い因果質問をサポートする。

提案手法

• 原因-結果の関係を DAG で表現し、各ノードに因果メカニズムを割り当てる。
• 観測データから因果メカニズムを推定するか、真のメカニズムを提供する。
• GCM を活用して発見と推論タスクを含む幅広い因果質問をユーザーに許可する。
• モジュール式のインターフェースとラッパーを提供し、サードパーティの ML ライブラリ（例：scikit-learn、SciPy）と統合する。
• 機能型プログラミングスタイルを採用し、GCM 状態を変更しない API と妥当なデフォルトを提供する。

実験結果

リサーチクエスチョン

• RQ1 グラフィカル因果モデルを用いて、標準的な効果推定を超えるより広い因果質問にどのように回答できるか？
• RQ2 どのメカニズムと学習戦略が、GCM フレームワーク内の根本原因、分布変化の帰属、反事実推論を最もよく支援するか？
• RQ3 DoWhy-GCM は因果発見と従来の因果推論をモジュール式・拡張可能な方法でどう統合できるか？

主な発見

• DoWhy-GCM は、グラフィカル因果モデル内で根本原因分析、分布変化の帰属、何が起こったか分析（What-if）といった因果質問を可能にする。
• ライブラリはユーザー指定の因果メカニズムと観測データからの自動推定の両方をサポートする。
• ドメイン知識が不十分な場合に因果構造を学ぶための因果発見機能を提供する。
• 設計はモジュール性と既存ライブラリとの互換性を重視し、カスタムモデルとアルゴリズムの統合を容易にする。