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

Jiji Zhang, Peter Spirtes|arXiv (Cornell University)|2012. 07. 04.

Bayesian Modeling and Causal Inference참고 문헌 7인용 수 3

한 줄 요약

이 논문은 잠재 변수를 가진 방향성 비순환 그래프(DAGs)에 대한 마르코프 동치성의 변환 기반 특성화를 제공하며, Chickering의 고전적인 DAG에 대한 작업을 최대형 원천 그래프(MAGs)로 확장한다. 이는 특정 조건 하에서 간선 추가 및 삭제를 포함하는 국소적 그래프 변환의 집합을 규명하여, 관측되지 않은 혼란 요인 존재 하에서도 마르코프 동치성 클래스에 대한 효율적인 탐색을 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. Chickering (1995) provided a transformational characterization of Markov equivalence for DAGs (with no latent variables), which is useful in deriving properties shared by Markov equivalent DAGs, and, with certain generalization, is needed to prove the asymptotic correctness of a search procedure over Markov equivalence classes, known as the GES algorithm. For DAG models with latent variables, maximal ancestral graphs (MAGs) provide a neat representation that facilitates model search. However, no transformational characterization -- analogous to Chickering's -- of Markov equivalent MAGs is yet available. This paper establishes such a characterization for directed MAGs, which we expect will have similar uses as it does for DAGs.

연구 동기 및 목표

• 잠재 변수가 없는 DAGs에서의 Chickering의 변환 기반 마르코프 동치성 특성화를 잠재 변수를 가진 방향성 비순환 그래프로 확장하는 것.
• 관측되지 않은 혼란 요인 존재 하에서도 두 최대형 원천 그래프(MAGs)가 마르코프 동치임을 판단할 수 있는 공식적 프레임워크를 제공하는 것.
• 측정되지 않은 공통 원인 존재하는 환경에서 점수 기반 인과 탐색 알고리즘(예: GES 알고리즘)의 개발을 지원하는 것.
• 잠재 변수 존재 시 마르코프 동치성 클래스에 대한 효율적 탐색을 위한 이론적 기반을 마련하는 것.
• 국소적이고 구조적인 변환을 통해 마르코프 동치성의 개념을 MAGs로 일반화하여 조건부 인지관계의 구조를 유지하는 것.

제안 방법

• MAGs에서 마르코프 동치성을 유지하는 국소적 그래프 변환—특히 간선 추가 및 삭제—의 집합을 도입한다.
• MAGs 내의 비합리성 구조와 콜라이더의 구조에 기반한 변환 규칙을 정의하여 조건부 인지관계가 그대로 유지되도록 보장한다.
• 두 MAGs가 마르코프 동치임은 오직 한 쪽이 다른 쪽으로 이러한 국소적 연산의 순서로 변환될 수 있을 때에만 성립함을 증명한다.
• MAGs 내의 v-구조와 비합리성 구조를 활용하여 변환이 유효하고 독립성 구조를 유지하는지 식별한다.
• 변환 프레임워크를 적용하여 잠재 혼란 요인 존재 하에서 마르코프 동치성 클래스의 성질을 도출한다.
• 최대형 원천 그래프의 구조를 활용하여 관측된 변수들 간의 모든 조건부 인지관계가 변환 동안 유지됨을 보장한다.

실험 결과

연구 질문

• RQ1 어떤 국소적 그래프 변환 집합이 잠재 변수를 가진 방향성 비순환 그래프에서 마르코프 동치성을 유지하는가?
• RQ2 Chickering의 DAG에 대한 변환 기반 특성화는 어떻게 잠재 혼란 요인을 가진 MAGs로 일반화될 수 있는가?
• RQ3 두 MAGs가 국소적 변화의 순서를 통해 마르코프 동치로 간주될 수 있는 조건은 무엇인가?
• RQ4 잠재 변수 존재 시 마르코프 동치성 클래스의 모든 구성원 간을 이동하기 위해 필요한 최소한의 연산 집합은 무엇인가?
• RQ5 v-구조와 콜라이더 등의 MAGs의 구조적 특성은 유효한 변환의 형태를 어떻게 제약하는가?

주요 결과

• 논문은 MAGs에서 마르코프 동치성을 유지하는 완전한 국소적 변환 집합을 확립하였으며, 이는 DAGs에 대한 Chickering의 규칙와 유사하다.
• 두 MAGs가 마르코프 동치임은 오직 한 쪽이 다른 쪽으로 제안된 변환의 순서로 변환될 수 있을 때에만 성립한다.
• 이러한 변환은 v-구조와 콜라이더의 존재 및 구조에 기반하여 정의되며, 관측된 변수들 간의 조건부 인지관계가 그대로 유지됨을 보장한다.
• 이 특성화는 GES 알고리즘을 잠재 변수를 가진 모델로 확장할 수 있게 하여 인과 탐색에서 渐近적 정확성을 보장한다.
• 이 프레임워크는 관측되지 않은 혼란 요인 존재 시 마르코프 동치성 클래스에 대한 효율적 탐색을 위한 이론적 기반을 제공한다.
• 결과적으로 마르코프 동치성의 개념을 MAGs로 일반화하여, 잠재 변수를 포함한 인과 구조 학습의 기초를 제공한다.