[論文レビュー] Representation of Context-Specific Causal Models with Observational and Interventional Data

Eliana Duarte, Liam Solus|arXiv (Cornell University)|Jan 22, 2021

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

本稿では、文脈特異的条件付き独立性を段階的木の構造的部分クラスとして表現する、CStreesと呼ばれる因果モデルの新規クラスを導入する。これにより、文脈特異的因果関係のコン pact で DAG に基づくグラフィカル表現が可能になる。主な貢献は、モデル同等性のためのグローバルなマルコフ性とグラフィカル基準を、観測および介入的設定にまで拡張したものであり、CStreesは、介入的モデル同等性を完全に特徴づける文脈特異的モデル族として初めてのものである。

ABSTRACT

We address the problem of representing context-specific causal models based on both observational and experimental data collected under general (e.g. hard or soft) interventions by introducing a new family of context-specific conditional independence models called CStrees. This family is defined via a novel factorization criterion that allows for a generalization of the factorization property defining general interventional DAG models. We derive a graphical characterization of model equivalence for observational CStrees that extends the Verma and Pearl criterion for DAGs. This characterization is then extended to CStree models under general, context-specific interventions. To obtain these results, we formalize a notion of context-specific intervention that can be incorporated into concise graphical representations of CStree models. We relate CStrees to other context-specific models, showing that the families of DAGs, CStrees, labeled DAGs and staged trees form a strict chain of inclusions. We end with an application of interventional CStree models to a real data set, revealing the context-specific nature of the data dependence structure and the soft, interventional perturbations.

研究の動機と目的

• 標準的なDAGが特定の条件下でのみ成り立つ文脈特異的条件付き独立性（CSI）関係を表現できないという限界に対処すること。
• DAGの解釈可能性を保ちつつ、ベイジアンマルチネットよりも洗練されたCSI構造を捉えるモデルクラスを開発すること。
• 観測および介入的設定の両方において、モデル同等性のためのグローバルなマルコフ性とグラフィカル基準を提供すること。
• CStreesのための閉形式の最尤推定器を導出し、モデル選択におけるBICスコアの局所的整合性を証明すること。
• CStreesが一般段階的木やCEGsに対して、離散データを用いた因果発見において、コン pact で解釈可能かつ統計的に整合性のある代替手段を提供することを実証すること。

提案手法

• CStreesを段階的木モデルの適切な部分クラスとして定義し、条件変数の各文脈ごとに、1つのDAGが文脈特異的独立性を表現するようにする。
• CStreesがグローバルなマルコフ性を有することを証明し、DAGのd分離基準を文脈特異的設定に一般化する。
• 文脈特異的DAGの系列におけるスケルトンとv構造を比較することで、モデル同等性のためのグラフィカル基準を確立する。
• 介入が文脈特異的DAGおよびその構造的不変量に与える影響を分析することで、同等性基準を介入的モデルに拡張する。
• 文脈特異的確率パラメータに基づいて、CStreesのための閉形式の最尤推定器を導出する。
• BICスコアがCStreesに対して局所的に整合的であることを示し、真のモデル構造に漸近的に優位に選ばれることを証明する。

実験結果

リサーチクエスチョン

• RQ1 文脈特異的条件付き独立性関係は、DAGとしてコン pact かつ解釈可能に表現可能だろうか？
• RQ2 標準的なDAGのd分離基準を一般化した、文脈特異的因果モデルに適用可能なグローバルなマルコフ性は存在するか？
• RQ3 文脈特異的モデルにおいて、介入的データに対するモデル同等性のためのグラフィカル基準を確立できるか？
• RQ4 BICスコアはCStreesに対して局所的に整合的であり、信頼性の高いモデル選択を可能にするだろうか？
• RQ5 CStreesの予測性能は、実データおよびシミュレートされたデータにおいて、一般段階的木と比較してどうなるか？

主な発見

• CStreesは、各文脈が固有のDAGに対応し、文脈特異的依存関係を捉える、コン pact でDAGに基づく文脈特異的因果モデルの表現を提供する。
• CStreesのグローバルなマルコフ性は、DAGのd分離基準を一般化し、文脈特異的設定における条件付き独立性のグラフィカルな特徴づけを可能にする。
• CStreesのモデル同等性は、すべての文脈特異的DAGにおいて同一のスケルトンとv構造を有することによって特徴づけられ、VermaとPearlの基準が文脈特異的モデルに拡張されたものである。
• 介入的モデル同等性基準は、介入下での文脈特異的DAGの比較によって完全に特徴づけられており、CStreesは、このような特徴づけを有する文脈特異的モデル族として初めてのものである。
• CStreesのための閉形式の最尤推定器が導出され、観測および介入的データからの効率的なパラメータ推定が可能になる。
• BICスコアがCStreesに対して局所的に整合的であることが証明され、一般段階的木と比較して予測精度に著しい損失なしに、スコアベースの因果発見アルゴリズムへの応用が可能になる。