[論文レビュー] Lifted Representation of Relational Causal Models Revisited: Implications for Reasoning and Structure Learning

Sanghack Lee, Vasant Honavar|arXiv (Cornell University)|Aug 10, 2015

Bayesian Modeling and Causal Inference参考文献 17被引用数 3

ひとこと要約

この論文は、関係的因果モデル（RCMs）における抽象的グラウンドグラフ（AGG）表現を再検討し、関係的d-分離における正しさと完全性を損なう、元の定義における欠陥を特定する。著者らはAGGを再定義し、すべてのグラウンドグラフを適切に抽象化できるようにし、AGGの不完全性にかかわらず信頼性のある因果構造学習を可能にするより弱い忠実性条件——隣接忠実性および方向忠実性——を提案する。これにより、推論および学習アルゴリズムにおける整合性が保証される。

ABSTRACT

Maier et al. (2010) introduced the relational causal model (RCM) for representing and inferring causal relationships in relational data. A lifted representation, called abstract ground graph (AGG), plays a central role in reasoning with and learning of RCM. The correctness of the algorithm proposed by Maier et al. (2013a) for learning RCM from data relies on the soundness and completeness of AGG for relational d-separation to reduce the learning of an RCM to learning of an AGG. We revisit the definition of AGG and show that AGG, as defined in Maier et al. (2013b), does not correctly abstract all ground graphs. We revise the definition of AGG to ensure that it correctly abstracts all ground graphs. We further show that AGG representation is not complete for relational d-separation, that is, there can exist conditional independence relations in an RCM that are not entailed by AGG. A careful examination of the relationship between the lack of completeness of AGG for relational d-separation and faithfulness conditions suggests that weaker notions of completeness, namely adjacency faithfulness and orientation faithfulness between an RCM and its AGG, can be used to learn an RCM from data.

研究の動機と目的

• 関係的因果モデル（RCMs）におけるすべてのグラウンドグラフを正しく抽象化できない元の抽象的グラウンドグラフ（AGG）定義の欠陥を特定・是正すること。
• 元のAGG表現が関係的d-分離において不完全であることを示し、RCMsにおける有効な条件付き独立関係を逸脱する可能性があること。
• 正しさを回復させ、RCMsにおける整合的な推論および構造学習を可能にするために、再定義された定義と条件を提案すること。
• AGGの不完全性にかかわらず、信頼性のある因果発見を可能にするために、RCMsとそのAGG間のより弱い忠実性概念——隣接忠実性および方向忠実性——を検討すること。
• RCDおよび時系列RCDといった因果構造学習アルゴリズムの正しさと完全性を保証するため、整合的なAGG表現に基づく基盤を整えること。

提案手法

• 共通交差可能性制約を組み込み、交差可能なエンティティの適切な取り扱いを含めることで、すべてのグラウンドグラフを正しく抽象化できるようにAGG定義を再定式化すること。
• 共通交差可能性の概念を導入・形式化し、AGGにおける共有属性の交差を正しくモデル化することで、誤ったエッジ生成を防ぐこと。
• AGGが関係的d-分離においてどのような制限を受けるかを定義・分析し、元のRCMに存在する特定の条件付き独立関係がAGGによって示されない可能性があることを示すこと。
• 標準的忠実性の代替として、隣接忠実性および方向忠実性を提案し、AGGが不完全であっても因果構造学習が可能になるようにすること。
• d-分離および基数制約に基づく形式的証明を用いて、特定の条件付き独立関係が元のAGGでは捉えきれないことを示し、再定義の必要性を裏付けること。
• 再定義されたAGGおよび忠実性条件を関係的因果発見（RCD）アルゴリズムに適用し、関係的データからの因果構造学習における正しさと完全性を保証すること。

実験結果

リサーチクエスチョン

• RQ1 元のAGG定義は、関係的因果モデルにおけるすべてのグラウンドグラフを正しく抽象化しているか？
• RQ2 AGG表現は関係的d-分離において完全か？ あるいは、RCMsに存在するがAGGが含意しない条件付き独立関係が存在するか？
• RQ3 AGGが不完全な場合に、標準的忠実性の代わりに隣接忠実性および方向忠実性といったより弱い忠実性概念が、信頼性のある因果構造学習を可能にするか？
• RQ4 基数制約および属性の交差は、AGGが関係的d-分離を正しく表現する上での正しさにどのように影響するか？
• RQ5 RCMsにおける推論および学習の整合性と完全性を保証するため、AGG定義に必要な修正は何か？

主な発見

• 元のAGG定義は、共通交差可能性のチェックが欠落しているため、すべてのグラウンドグラフを正しく抽象化できず、抽象表現における誤ったエッジ生成を引き起こす。
• AGG表現は関係的d-分離において完全ではない。RCMsに存在する特定の条件付き独立関係がAGGによって含意されないため、整合的推論における使用が無効となる。
• 共通交差可能性の組み込みと属性交差の適切な取り扱いを含む、再定義されたAGG定義を提案し、すべてのグラウンドグラフの正しく抽象化を保証する。
• 形式的証明により、特定の基数制約（例：「1」基数）のもとでは、P.XとS'.ZがQ.Yを条件としてd-分離されるようなスケルトンおよびベースが存在しないことが示されたが、AGGは依存関係を示唆している。
• このような反例の存在は、AGGがすべてのd-分離関係を捉えきれないことを確認し、学習に弱い忠実性仮定が必要であることを裏付ける。
• 隣接忠実性および方向忠実性が、標準的忠実性の代替として実用的であることが同定され、AGGが不完全であっても信頼性のある因果構造学習を可能にする。