[논문 리뷰] A Characterization of Markov Equivalence Classes for Directed Acyclic Graphs with Latent Variables

Jiji Zhang|arXiv (Cornell University)|2012. 06. 20.

Bayesian Modeling and Causal Inference참고 문헌 12인용 수 6

한 줄 요약

이 논문은 잠재 변수가 있는 최대형 임의의 그래프(MAGs)에 대한 마르코프 등가 클래스를 특성화하기 위해 방향 규칙의 완전한 세트를 제공한다. 이는 Meek의 DAG에 대한 작업을 확장한 것으로, 등가인 MAGs 간의 공통 화살표 끝과 꼬리들을 식별함으로써, 관측되지 않은 혼란 변수가 존재하는 상황에서도 공통된 구조를 드러내어 강력한 인과 추론을 가능하게 한다.

ABSTRACT

Different directed acyclic graphs (DAGs) may be Markov equivalent in the sense that they entail the same conditional independence relations among the observed variables. Meek (1995) characterizes Markov equivalence classes for DAGs (with no latent variables) by presenting a set of orientation rules that can correctly identify all arrow orientations shared by all DAGs in a Markov equivalence class, given a member of that class. For DAG models with latent variables, maximal ancestral graphs (MAGs) provide a neat representation that facilitates model search. Earlier work (Ali et al. 2005) has identified a set of orientation rules sufficient to construct all arrowheads common to a Markov equivalence class of MAGs. In this paper, we provide extra rules sufficient to construct all common tails as well. We end up with a set of orientation rules sound and complete for identifying commonalities across a Markov equivalence class of MAGs, which is particularly useful for causal inference.

연구 동기 및 목표

• 잠재 변수를 다룰 수 있도록 Meek의 DAG 방향 규칙을 최대형 임의의 그래프(MAGs)로 확장하기.
• 잠재 변수가 존재할 경우 마르코프 등가 클래스에 속한 DAG들 간에 공통으로 가지는 모든 화살표 끝을 식별하기.
• MAG의 마르코프 등가 클래스에서 공통으로 가지는 꼬리를 포괄하는 추가 규칙 개발하기.
• 등가인 MAGs 간에 변하지 않는 구조적 특징을 식별하기 위한 체계적이고 완전한 규칙 세트 제공하기.
• 관측되지 않은 혼란 변수가 존재하는 상황에서 더 신뢰할 수 있는 인과 구조 학습 지원하기.

제안 방법

• 잠재 변수가 존재하는 상황에서 조건부 인성을 표현하기 위해 고안된 그래픽 모델인 MAGs로 Meek(1995)의 방향 규칙을 확장한다.
• 마르코프 등가 클래스에 속한 모든 MAG에서 공통으로 가지는 꼬리—예를 들어 v-구조 또는 비결합자 패턴—를 식별하기 위해 특별히 새로운 규칙을 도입한다.
• 기존의 화살표 끝 규칙과 신규로 제안된 꼬리 규칙을 조합하여 등가 클래스에서의 불변 특징 식별의 완전성 확보한다.
• 잠재 변수를 명시적으로 모델링하지 않고도 MAG의 구조를 활용하여 조건부 인성 관계를 표현한다.
• 주어진 MAG에 규칙를 적용하여 동일한 등가 클래스에 속한 모든 등가 MAG에서 공통으로 가지는 특징(화살표 끝과 꼬리)을 유도한다.
• 모든 공통 구조적 특징이 규칙 세트에 의해 포괄됨을 증명함으로써 타당성과 완전성을 확보한다.

실험 결과

연구 질문

• RQ1 잠재 변수가 존재할 경우 마르코프 등가 클래스에 속한 모든 MAG에서 공통으로 가지는 구조적 특징는 무엇인가?
• RQ2 이러한 등가 클래스에서 공통으로 가지는 모든 화살표 끝과 꼬리를 식별하기 위한 체계적이고 타당한 규칙 세트를 개발할 수 있는가?
• RQ3 Meek의 규칙을 MAG로 확장하면 관측되지 않은 혼란 변수가 존재하는 상황에서 인과 구조 학습을 어떻게 향상시킬 수 있는가?
• RQ4 잠재 변수가 존재하는 상황에서 등가 클래스를 완전히 특성화하기 위해 화살표 끝 식별 외에 어떤 추가 규칙이 필요한가?
• RQ5 제안된 규칙들이 관측 데이터에서 숨겨진 혼란 변수가 존재하는 상황에서 인과 구조 복원에 얼마나 기여하는가?

주요 결과

• 논문은 마르코프 등가 MAG 간에 공통으로 가지는 모든 화살표 끝과 꼬리를 식별하는 타당하고 완전한 방향 규칙 세트를 제시한다.
• 새로운 규칙들은 MAG를 통해 잠재 변수를 다룰 수 있도록 Meek의 원래 프레임워크를 성공적으로 확장한다.
• 이 특성화를 통해 등가 클래스에 속한 모든 MAG에서 공통으로 가지는 모든 구조적 특징를 식별할 수 있으며, 이는 강력한 인과 추론을 가능하게 한다.
• 모든 불변 특징가 누락되지 않도록 보장하여 등가 클래스 특성화에 필수적이고 충분한 조건을 만족한다.
• 관측되지 않은 혼란 변수가 존재하는 관측 데이터에서 인과 구조를 추론해야 하는 인과 발견 알고리즘에 특히 유용하다.
• 잠재 변수가 관측 변수에 영향을 줄 수 있다고 추정되는 상황에서, 더 정확하고 신뢰할 수 있는 인과 그래프 학습을 지원한다.