[논문 리뷰] Adjacency-Faithfulness and Conservative Causal Inference

Joseph Ramsey, Jiji Zhang외 1명|arXiv (Cornell University)|2012. 06. 27.

Bayesian Modeling and Causal Inference인용 수 56

한 줄 요약

이 논문은 표준 인과적 충실성 가정을 완화하기 위해 인접 충실성(Adjacency-Faithfulness)만 요구하는 보수적인 PC(CPC) 알고리즘을 소개한다. 이는 데이터의 모든 조건부 이상성 관계가 스케letal에 반영됨을 보장한다. CPC는 간선 방향 결정 단계에서 방향 충실성(orientation-faithfulness)을 테스트함으로써 인과적 추론을 향상시킨다. 만약 이 조건이 위반되면, 잠재적으로 잘못된 인과적 방향을 유도하는 것을 피한다. 이 방법은 더 약한 조건 하에서도 높은 정확도를 유지하며, 유한 표본에서 잘못된 화살표 머리 수를 크게 줄이고, 원래의 PC 알고리즘과 거의 같은 속도로 실행된다.

ABSTRACT

Most causal inference algorithms in the literature (e.g., Pearl (2000), Spirtes et al. (2000), Heckerman et al. (1999)) exploit an assumption usually referred to as the causal Faithfulness or Stability condition. In this paper, we highlight two components of the condition used in constraint-based algorithms, which we call "Adjacency-Faithfulness" and "Orientation-Faithfulness". We point out that assuming Adjacency-Faithfulness is true, it is in principle possible to test the validity of Orientation-Faithfulness. Based on this observation, we explore the consequence of making only the Adjacency-Faithfulness assumption. We show that the familiar PC algorithm has to be modified to be (asymptotically) correct under the weaker, Adjacency-Faithfulness assumption. Roughly the modified algorithm, called Conservative PC (CPC), checks whether Orientation-Faithfulness holds in the orientation phase, and if not, avoids drawing certain causal conclusions the PC algorithm would draw. However, if the stronger, standard causal Faithfulness condition actually obtains, the CPC algorithm is shown to output the same pattern as the PC algorithm does in the large sample limit. We also present a simulation study showing that the CPC algorithm runs almost as fast as the PC algorithm, and outputs significantly fewer false causal arrowheads than the PC algorithm does on realistic sample sizes. We end our paper by discussing how score-based algorithms such as GES perform when the Adjacency-Faithfulness but not the standard causal Faithfulness condition holds, and how to extend our work to the FCI algorithm, which allows for the possibility of latent variables.

연구 동기 및 목표

• 강력한 인과적 충실성 가정에 의존하는 표준 인과적 추론 알고리즘이 지나치게 낙관적인 경향을 해결하기 위해.
• 제약 기반 인과적 발견에서 충실성의 두 구성요소인 인접 충실성과 방향 충실성을 식별하고 분리하기 위해.
• 방향 충실성이 실패할 경우 잘못된 인과적 방향 결정을 피하면서도 표준 충실성 조건 하에서는 정확성을 유지하는 보수적인 알고리즘을 개발하기 위해.
• 실제 표본 크기에서 수정된 알고리즘의 성능을 평가하여, 특히 잘못된 인과 화살표 머리 수를 줄이는 데 초점을 맞추기 위해.
• 잠재 변수가 존재할 경우 FCI 알고리즘으로의 확장과 GES와 같은 점수 기반 방법에 대한 영향을 탐색하기 위해.

제안 방법

• 논문은 표준 인과적 충실성 가정을 두 부분으로 분해한다: 인접 충실성(모든 조건부 이상성 관계가 스켈레톤에 반영됨)과 방향 충실성(스켈레톤 내 모든 d-분리 관계가 간선의 정확한 방향 결정을 이끌어냄).
• 논문은 PC 알고리즘을 수정하여 방향 충실성 테스트를 방향 결정 단계에 추가한 보수적인 PC(CPC) 알고리즘을 제안한다.
• 만약 방향 충실성이 위반되면, CPC는 기존 PC 알고리즘으로 유도되는 일부 인과적 방향 결정을 하지 않는다.
• 알고리즘은 인접 충실성 하에서는 PC와 동일한 스켈레톤을 유지하며, 방향 충실성이 실패할 경우에만 방향 결정을 제한한다.
• CPC 알고리즘은 더 약한 인접 충실성 가정 하에서도 점점이 정확하며, 더 강력한 표준 충실성 조건이 성립할 경우 PC의 출력과 동일한 결과를 낸다.
• 유한 표본에서 CPC와 PC를 비교하는 시뮬레이션 연구를 수행하여, 잘못된 화살표 머리 비율과 실행 시간 성능를 측정한다.

실험 결과

연구 질문

• RQ1 인접 충실성이 가정될 때 방향 충실성을 실증적으로 테스트할 수 있는가?
• RQ2 전체 인과적 충실성 조건이 아니라 인접 충실성 조건에만 의존할 경우의 결과는 무엇인가?
• RQ3 제약 기반 인과적 발견 알고리즘을 어떻게 더 보수적으로 만들 수 있는가? 잘못된 인과적 방향 결정을 피하기 위해.
• RQ4 제안된 보수적 알고리즘이 유한 표본 설정에서 높은 정확도와 효율성을 유지하는가?
• RQ5 점수 기반 방법인 GES는 전체 충실성 조건이 아니라 인접 충실성 조건만 성립할 경우 어떻게 행동하는가?

주요 결과

• CPC 알고리즘은 더 약한 인접 충실성 가정 하에서도 점점이 정확하며, 표준 충실성 조건이 실패할 경우에도 타당한 인과적 구조 학습을 보장한다.
• 표준 인과적 충실성 조건이 성립할 경우, CPC는 큰 표본 근처에서 PC 알고리즘과 동일한 출력을 낸다.
• 유한 표본에서 CPC는 표준 PC 알고리즘보다 잘못된 인과 화살표 머리 수를 크게 줄였다.
• CPC 알고리즘은 PC 알고리즘과 거의 같은 속도로 실행되어 보수적 검사로 인한 계산 오버헤드가 최소한임을 보여준다.
• 논문은 인접 충실성 가정 하에서 방향 충실성을 실증적으로 테스트할 수 있음을 입증하며, 원칙적인 보수적 추론 전략을 가능하게 한다.
• 결과는 CPC 접근법을 FCI 알고리즘으로 확장하는 것이 가능하며, 잠재적 혼동요인 존재 시 더 강건한 성능 향상에 기여할 수 있음을 시사한다.