[논문 리뷰] A theoretical study of Y structures for causal discovery

Subramani Mani, Peter Spirtes외 1명|arXiv (Cornell University)|2012. 06. 27.

Bayesian Modeling and Causal Inference참고 문헌 10인용 수 18

한 줄 요약

이 논문은 관측되지 않은 공통 원인 존재 하에서 이산 베이지안 네트워크에서 Y-구조—특정 패턴인 A→C, B→C, C→D와 같은 것—를 식별할 수 있는 계산적으로 타당한 점수 기반 알고리즘을 제안한다. 이 알고리즘은 관측되지 않은 공통 원인이 존재하는 상황에서도 큰 표본 근처에서 신뢰성 있게 작동하며, 관측되지 않은 혼란 변수를 포함한 구조를 명시적으로 점수 매기지 않아도 되므로 관측 데이터로부터 일致된 인과적 구조 학습이 가능하다.

ABSTRACT

There are several existing algorithms that under appropriate assumptions can reliably identify a subset of the underlying causal relationships from observational data. This paper introduces the first computationally feasible score-based algorithm that can reliably identify causal relationships in the large sample limit for discrete models, while allowing for the possibility that there are unobserved common causes. In doing so, the algorithm does not ever need to assign scores to causal structures with unobserved common causes. The algorithm is based on the identification of so called Y substructures within Bayesian network structures that can be learned from observational data. An example of a Y substructure is A -> C, B -> C, C -> D. After providing background on causal discovery, the paper proves the conditions under which the algorithm is reliable in the large sample limit.

연구 동기 및 목표

• 관측되지 않은 공통 원인이 존재하는 이산 모델에서 계산적으로 타당한 점수 기반 인과 발견 알고리즘을 개발하기.
• 관측된 데이터로부터 관측되지 않은 혼란 변수를 포함한 구조를 점수 매기지 않고도 신뢰할 수 있는 인과 관계 식별을 가능하게 하기.
• 신뢰성 가정과 조건부 인지성 가정 하에서 Y-구조의 역할을 정식화하기.
• 표준 인과 발견 가정 하에 큰 표본 근처에서 알고리즘의 일致성 증명하기.
• 관측 가능한 Y-구조 패턴을 사용하여 잠재된 혼란 변수가 존재하는 상황에서 인과 발견에 대한 이론적 보장을 제공하기.

제안 방법

• 알고리즘은 관측 데이터로부터 조건부 인지성 검정을 사용하여 Y-구조—공통 자식을 가진 변수의 삼중조—를 직접 식별한다.
• 후보 구조 하에서 관측된 데이터의 가능도를 기반으로 점수 함수를 구성하며, 이는 관측되지 않은 혼란 변수의 명시적 모델링을 피한다.
• 신뢰성 가정에 기반하여 데이터의 조건부 인지성 관계가 진정된 인과 그래프의 구조를 반영하도록 보장한다.
• 그리디 탐색 전략을 사용하여 Y-구조를 식별하고 검증하며, 인과적 순서를 암시하는 관측 가능한 패턴에만 집중한다.
• 이론적 분석을 통해 알고리즘이 큰 표본 근처에서 정확한 인과 구조로 수렴함을 입증한다. 이는 관측되지 않은 공통 원인이 존재하는 상황에서도 성립한다.
• 관측되지 않은 혼란 변수를 포함한 모델에 점수를 매기지 않기 위해, 데이터 내에서 식별 가능한 Y-구조 패턴에만 집중함으로써 이 접근법은 이를 회피한다.

실험 결과

연구 질문

• RQ1 관측되지 않은 혼란 변수 존재 하에서 관측 데이터의 Y-구조가 신뢰성 있게 기저 인과 관계를 나타내는 조건은 무엇인가?
• RQ2 관측되지 않은 공통 원인을 명시적으로 모델링하지 않고도 점수 기반 알고리즘이 인과 발견에서 일치성을 달성할 수 있는가?
• RQ3 신뢰성 가정 하에서 이산 베이지안 네트워크에서 Y-구조 식별의 신뢰성에 대해 이론적으로 어떤 보장을 제공할 수 있는가?
• RQ4 완전한 관측되지 않은 혼란 변수의 구조를 알지 못해도 Y-구조는 어떻게 인과적 순서를 추론하는 데 사용될 수 있는가?
• RQ5 관측 가능한 Y-패턴과 조건부 인지성 관계만을 사용하여 인과적 구조를 식별하는 계산적으로 효율적인 알고리즘을 설계할 수 있는가?

주요 결과

• 제안된 알고리즘은 관측되지 않은 공통 원인이 존재하는 상황에서도 큰 표본 근처에서 신뢰성 있게 인과 관계를 식별한다.
• 관측되지 않은 혼란 변수를 포함한 모델에 점수를 매기지 않고도, 데이터 내에서 식별 가능한 Y-구조 패턴에만 집중함으로써 이를 피할 수 있다.
• A→C, B→C, C→D와 같은 Y-구조는 신뢰성 가정 하에서 인과적 순서를 추론하는 데 충분함이 입증되었다.
• 이론적 분석을 통해 알고리즘이 일치함을 확인했다: 표본 크기가 증가함에 따라 올바른 인과 구조로 수렴한다.
• 잠재 변수의 명시적 모델링이 필요 없이 관측 가능한 조건부 인지성 관계를 활용함으로써 알고리즘은 계산적으로 타당해졌다.
• 결과적으로 Y-구조는 점수 기반 학습과 신뢰성 가정을 함께 사용할 경우 이산 모델에서 인과 발견의 탄탄한 기초를 제공함을 보여주었다.