[論文レビュー] Identifying Causal Effects via Context-specific Independence Relations

Santtu Tikka, Antti Hyttinen+1 more|arXiv (Cornell University)|Sep 21, 2020

Bayesian Modeling and Causal Inference被引用数 9

ひとこと要約

本稿では、文脈特異的インdependence（CSI）関係が存在する状況下で構造的因果モデルにおける因果効果を同定するための新しい微積分法と自動探索手順を提案する。do微積分法をCSIを扱えるように拡張することで、従来の手法では同定不能とされていた因果効果を同定可能にし、わずかな数のCSI関係が同定不能なモデルを同定可能にする可能性を示している。

ABSTRACT

Causal effect identification considers whether an interventional probability distribution can be uniquely determined from a passively observed distribution in a given causal structure. If the generating system induces context-specific independence (CSI) relations, the existing identification procedures and criteria based on do-calculus are inherently incomplete. We show that deciding causal effect non-identifiability is NP-hard in the presence of CSIs. Motivated by this, we design a calculus and an automated search procedure for identifying causal effects in the presence of CSIs. The approach is provably sound and it includes standard do-calculus as a special case. With the approach we can obtain identifying formulas that were unobtainable previously, and demonstrate that a small number of CSI-relations may be sufficient to turn a previously non-identifiable instance to identifiable.

研究の動機と目的

• 標準的手法が失敗する状況で、do微積分法が文脈特異的インdependence（CSI）関係を処理できないという限界を克服すること。
• 条件付きインdependence構造が文脈によって変化するという特徴を表現するラベル付きDAG（LDAG）を用いて、CSIを伴う状況下での因果効果同定を形式化すること。
• 標準的なdo微積分法が失敗する状況でも、CSI関係を活用して因果効果を同定できる、整合的かつスケーラブルな自動探索手順を開発すること。
• わずかな数のCSI関係が、従来同定不能とされていた因果モデルを同定可能にする可能性を示し、非パrametric同定の範囲を拡大すること。

提案手法

• 著者らは、文脈特異的インdependence（CSI）関係を組み込むことでdo微積分法を拡張した新しい微積分法を導入し、文脈依存の条件付きインdependenceに従う介入分布の操作を可能にした。
• 彼らは、特定の条件変数の値によって定義される文脈ごとに変化する条件付きインdependence構造を表現するラベル付きDAG（LDAG）を用いて問題を形式化した。
• 新しい微積分法のルール空間を探索する自動探索手順を設計し、文脈の削除、新たな分離基準、スケーラビリティを向上させるためのヒューリスティクスを用いた。
• 標準的なdo微積分法を特別なケースとして統合することで、後方互換性を保ちつつ、CSIを扱える範囲へと拡張した。
• 探索手順はアルゴリズム1として実装され、文脈特異的調整と介入の組み合わせを体系的に行い、同定式を導出する。
• 計算効率を向上させるために、探索中に重複する文脈を削除し、LDAGにおけるCSIに基づくd分離を処理するための新たな分離基準を導入した。

実験結果

リサーチクエスチョン

• RQ1 標準的なdo微積分法を超えて、文脈特異的インdependence（CSI）関係を処理できるように因果効果同定を拡張することは可能か？
• RQ2 CSIを伴う状況下でも、自動的に因果効果を同定できる整合的かつスケーラブルな微積分法を設計することは可能か？
• RQ3 CSIが存在する場合、因果効果の同定不能性を決定する計算複雑性はどの程度か？
• RQ4 わずかな数のCSI関係が、従来同定不能とされていた因果モデルを同定可能にすることができるか？
• RQ5 選択バイアス、輸送性、欠損データを含む問題において、CSIに基づく推論は同定可能性をどの程度向上させ得るか？

主な発見

• CSIが存在する状況下で因果効果の同定不能性を決定することはNP困難であることが示され、一般には本質的な計算困難性を有する。
• 提案された微積分法と探索手順は、証明可能な整合性を有し、標準的なdo微積分法だけでは同定不能な因果効果を同定可能である。
• ベンチマーク例（潜在的交絡要因を含むものも含む）において、do微積分法が失敗する状況でも、本手法は同定式を効果的に導出できた。
• わずかな数のCSI関係、例えば$X \perp L \mid A=0$および$X \perp Y \mid A=1, L$のような関係が、同定不能なモデルを同定可能にするのに十分であることが示された。
• 文献に報告されるネットワークサイズの範囲においてもスケーラブルであり、実世界の因果推論タスクにおける実用的妥当性を示した。
• 図13で示されるように、フロントドアとバックドアの両調整を組み合わせたハイブリッド式を用いることで、複雑な構造（異なる文脈でフロントドアおよびバックドア調整が適用される構造）に対しても因果効果の同定が可能であることを示した。