[論文レビュー] Joint Causal Inference from Multiple Contexts

Joris M. Mooij, Sara Magliacane+1 more|arXiv (Cornell University)|Nov 30, 2016

Bayesian Modeling and Causal Inference参考文献 79被引用数 34

ひとこと要約

この論文は、複数の文脈からの観察データと介入データを統合することで、従来の手法よりも信頼性の高い因果構造を同定できる、統合的因果同定（Joint Causal Inference, JCI）というフレームワークを提案する。文脈に応じた介入をモデル化し、複数のデータセット間での条件付き独立制約を活用することで、介入のターゲットやタイプに関する事前知識がなくても、強固な因果同定が可能となり、合成データおよび実世界のフローサイトメトリーデータにおいて、最先端のアルゴリズムを著しく上回る性能を示す。

ABSTRACT

The gold standard for discovering causal relations is by means of experimentation. Over the last decades, alternative methods have been proposed that can infer causal relations between variables from certain statistical patterns in purely observational data. We introduce Joint Causal Inference (JCI), a novel approach to causal discovery from multiple data sets from different contexts that elegantly unifies both approaches. JCI is a causal modeling framework rather than a specific algorithm, and it can be implemented using any causal discovery algorithm that can take into account certain background knowledge. JCI can deal with different types of interventions (e.g., perfect, imperfect, stochastic, etc.) in a unified fashion, and does not require knowledge of intervention targets or types in case of interventional data. We explain how several well-known causal discovery algorithms can be seen as addressing special cases of the JCI framework, and we also propose novel implementations that extend existing causal discovery methods for purely observational data to the JCI setting. We evaluate different JCI implementations on synthetic data and on flow cytometry protein expression data and conclude that JCI implementations can considerably outperform state-of-the-art causal discovery algorithms.

研究の動機と目的

• 複数の文脈における観察データと介入データからの因果同定を統合する一般的なフレームワークの開発。
• 介入データにおける介入ターゲットやタイプに関する事前知識が不要な因果同定の実現。
• 既存の因果同定アルゴリズムを、多様な介入を伴う複数のデータセットに対応できるように拡張。
• 文脈に特有の条件付き独立関係を活用することで、因果構造の同定可能性を向上。

提案手法

• JCIは、祖先的因果グラフ上の最適化問題として因果同定を定式化し、複数の文脈における条件付き独立制約の違反をペナルティとする損失関数を用いる。
• 重み付き損失関数 $\mathcal{L}(\mathcal{G},S)$ を採用し、重みはデータからの条件付き（非）独立性に関する統計的証拠を反映する。
• 強固な依存関係を考慮する（ASD: Accounting for Strong Dependencies）スコアリングを用い、直接エッジや潜在的交絡要因などの因果的特徴の信頼性を、硬性制約下での最適損失の差異に基づいて評価する。
• 同一の統合モデル内で完全な介入、不完全な介入、確率的介入など、さまざまな介入タイプを扱える。介入タイプの識別が不要である。
• 既存の因果同定アルゴリズムをサブルーチンとして活用するため、モジュラーかつ異なる推論手法に容易に拡張可能である。
• 標本サイズが増加するに従い統計的に一貫性を持つように、p値（例：$\lambda_j = \log p_j - \log \alpha$）から導出される漸近的一貫性を持つ重みを用いる。

実験結果

リサーチクエスチョン

• RQ1 複数の文脈からの観察データと介入データを統合することで、因果構造の同定がより信頼性高く可能になるか？
• RQ2 JCIは、介入ターゲットやタイプに関する事前知識がなくても、どの程度因果効果を同定できるか？
• RQ3 JCIは、既存の因果同定手法と比較して、同定可能性および精度の面でどの程度向上するか？
• RQ4 異なる介入タイプ（例：完全な介入 vs. 確率的介入）は、JCIフレームワーク内での因果同定性能にどのような影響を与えるか？
• RQ5 JCIフレームワークは、例えばフローサイトメトリーデータのような実世界の生物学的データ（タンパク質発現データ）に適用可能で、性能が向上するか？

主な発見

• JCIの実装は、合成データにおいて最先端の因果同定アルゴリズムを著しく上回り、因果構造の同定可能性が向上していることが示された。
• 純粋な観察データでは直接因果関係と交絡要因の区別がつかない状況においても、JCIは暴力的ビデオゲームのプレイと攻撃的行動との因果関係の方向性を正しく同定できた。
• フローサイトメトリーデータのタンパク質発現解析において、JCIに基づく手法は、既知の生物学的シグナル伝達経路の再構築においてベースライン手法よりも高い精度を達成した。
• ASD信頼性スコアリング法は、オракル入力では妥当かつ完全な推論を提供し、適切な重み付けスキームでは漸近的に一貫性のある結果を得た。
• 文脈に特有の条件付き独立制約を活用することで、個々のデータセットが単独では情報を持たない場合でも、因果効果の同定が可能になった。
• 完全でない介入や確率的介入を含むさまざまな介入タイプに対しても、JCIは安定した性能を示し、介入メカニズムの明示的同定が不要であることを確認した。