[논문 리뷰] A Definition and Graphical Representation for Causality

David Heckerman, Ross D. Shachter|arXiv (Cornell University)|2013. 02. 20.

Bayesian Modeling and Causal Inference참고 문헌 9인용 수 16

한 줄 요약

이 논문은 결정 이론적 정의를 바탕으로 한 인과성 개념을 제안하며, 이는 비반응성(unchanging) 개념을 기반으로 하며, 인과 관계가 특정 결정보조 집합에 상대적임을 강조한다. 이는 전체 인과 설명이 필요로 하지 않는 국소적 인과 추론을 가능하게 한다. 논문은 표준 영향도 다이어그램이 인과성의 정확하고 효율적인 그래픽적 표현임을 입증하며, 펠의 구조적 인과 모델과 일치하고 인공지능 분야에서 실용적인 인과 추론을 가능하게 한다.

ABSTRACT

We present a precise definition of cause and effect in terms of a fundamental notion called unresponsiveness. Our definition is based on Savage's (1954) formulation of decision theory and departs from the traditional view of causation in that our causal assertions are made relative to a set of decisions. An important consequence of this departure is that we can reason about cause locally, not requiring a causal explanation for every dependency. Such local reasoning can be beneficial because it may not be necessary to determine whether a particular dependency is causal to make a decision. Also in this paper, we examine the graphical encoding of causal relationships. We show that influence diagrams in canonical form are an accurate and efficient representation of causal relationships. In addition, we establish a correspondence between canonical form and Pearl's causal theory.

연구 동기 및 목표

• 기존의 인과성을 절대적이라고 보는 관점에서 벗어나, 특정 결정보조 집합에 상대적인 방식으로 인과성을 재정의하는 것.
• 특정 결정보조에 관련된 의존성만을 고려함으로써 국소적 인과 추론을 가능하게 하여, 모든 의존성을 설명할 필요 없이도 추론을 수행하는 것.
• 정확하고 계산적으로 효율적인 인과 관계의 그래픽적 표현을 제공하는 것.
• 표준 영향도 다이어그램과 펠의 구조적 인과 모델 간의 형식적 대응 관계를 확립하는 것.
• 결정보조 이론 프레임워크에 인과성을 통합함으로써 결정보조 시스템에서 실용적인 인과 추론을 지원하는 것.

제안 방법

• 결정에 영향을 주지 않는 변수, 즉 주어진 선택 집합 하에서 그 값이 최적의 결정 결과에 영향을 주지 않는 변수를 원인으로 정의함으로써 비반응성 개념을 이용해 인과성을 정의한다.
• 사베지의 결정보조 이론 프레임워크 내에서 인과적 진술을 형식화하여, 인과성을 결정보조에 관련된 의존성에 기반으로 한다.
• 표준 영향도 다이어그램(확률, 결정, 보상 노드를 포함한 방향성 비순환 그래프)을 사용하여 인과 관계를 효율적으로 표현한다.
• 표준 영향도 다이어그램의 구조가 개입과 반대가정적 추론을 자연스럽게 표현하며, do-계산법 원칙과 일치함을 보여준다.
• 이 다이어그램의 그래픽적 구조가 개입 하에서도 인과 관계의 의미를 유지함을 입증한다.
• 형식적 대응을 통해 표준 영향도 다이어그램의 인과적 의미와 펠의 구조적 인과 모델 간의 동치성을 확립한다.

실험 결과

연구 질문

• RQ1 어떻게 인과성을 결정 집합에 따라 상대적인 것으로 공식적으로 정의할 수 있는가? 즉, 절대적 인과성에서 벗어나 상황에 따라 달라지는 인과성의 정의는 어떻게 가능할까?
• RQ2 특정 결정보조에 관련된 의존성에만 집중하는 국소적 인과 추론은 실용적 결정보조에 어떤 방식으로 기여하는가?
• RQ3 표준 영향도 다이어그램이 인과 관계의 정확하고 효율적인 그래픽적 표현으로서 기능할 수 있는가?
• RQ4 표준 영향도 다이어그램과 펠의 구조적 인과 모델 간의 형식적 대응 관계는 무엇인가?
• RQ5 비반응성 개념은 어떤 방식으로 결정보조 맥락에서 원인과 결과를 원칙적으로 정의할 수 있게 하는가?

주요 결과

• 비반응성 개념을 활용해 특정 결정보조 집합에 상대적인 인과성을 정의하며, 최적의 결정 결과에 영향을 주지 않는 변수를 원인으로 간주한다.
• 결정보조에 관련된 의존성만을 고려하면 되므로 국소적 인과 추론이 가능해지며, 전체 인과 설명이 필요로 하지 않게 된다.
• 표준 영향도 다이어그램은 인과 관계를 정확하고 효율적으로 그래픽적으로 표현하며, 관찰적 추론과 개입적 추론을 모두 지원한다.
• 논문은 표준 영향도 다이어그램과 펠의 구조적 인과 모델 간의 형식적 대응 관계를 확립하여, 이들의 인과 추론 활용 가능성을 검증한다.
• 전체 인과 모델이 필요로 하지 않는 결정보조 이론 프레임워크 내에 인과성을 통합함으로써 실용적인 인과 추론이 가능해진다.
• 그래픽적 구조를 통해 반대가정적 추론과 개입을 지원하며, do-계산법과 개입 의미론과 일치한다.