[논문 리뷰] Alternative Markov and Causal Properties for Acyclic Directed Mixed Graphs

José M. Peña|arXiv (Cornell University)|2015. 11. 18.

Bayesian Modeling and Causal Inference참고 문헌 16인용 수 9

한 줄 요약

이 논문은 반순서적 사이클 제약 조건을 완화하고 노드 간 최대 두 간선을 허용함으로써, Andersson-Madigan-Perlman 사슬 그래프를 확장하는 대체 방향 혼합 그래프(ADMG)를 제안한다. 엄밀히 양의 분포 하에서 전역, 순서화된 局소, 쌍별 마르코프 성질 간의 동치성을 입증하고, 연속 변수에 대한 상관 오차를 가진 구조적 방정식 모델 해석을 제공하며, Pearl의 do-계산법을 적용 가능하게 한다. 또한 정확한 학습 알고리즘을 답변 집합 프로그래밍 기반으로 제안한다.

ABSTRACT

We extend Andersson-Madigan-Perlman chain graphs by (i) relaxing the semidirected acyclity constraint so that only directed cycles are forbidden, and (ii) allowing up to two edges between any pair of nodes. We introduce global, and ordered local and pairwise Markov properties for the new models. We show the equivalence of these properties for strictly positive probability distributions. We also show that when the random variables are continuous, the new models can be interpreted as systems of structural equations with correlated errors. This enables us to adapt Pearl's do-calculus to them. Finally, we describe an exact algorithm for learning the new models from observational and interventional data via answer set programming.

연구 동기 및 목표

• 반순서적 사이클 제약 조건을 완화하고 노드 간 최대 두 간선을 허용함으로써 Andersson-Madigan-Perlman 사슬 그래프를 확장한다.
• 엄밀히 양의 분포 하에서 새로운 ADMG 모델에 대해 전역, 순서화된 局소, 쌍별 마르코프 성질의 동치성을 정의하고 입증한다.
• 연속 변수에 대한 구조적 방정식 모델 해석을 제공하여 Pearl의 do-계산법 적용을 가능하게 한다.
• 관측 및 간섭 데이터에 모두 적용 가능한 답변 집합 프로그래밍 기반 정확한 학습 알고리즘을 개발한다.

제안 방법

• 반순서적 사이클 제약 조건을 제거하고 노드 간 최대 두 간선을 허용함으로써 대체 ADMG를 제안하며, 방향 사이클이 존재하지 않도록 보장한다.
• 새로운 모델에 대해 전역, 순서화된 局소, 쌍별 마르코프 성질을 도입하고, 엄밀히 양의 분포 하에서 이들의 동치성을 입증한다.
• 변수들이 부모 변수의 선형 함수이자 상관 오차를 가진 오차 항을 포함하는 구조적 방정식 모델을 설정한다.
• Pearl의 do-계산법이 상관 오차를 가진 구조적 방정식 시스템으로 간주할 수 있음을 보여주어 새로운 모델에 적용 가능함을 입증한다.
• 관측 및 간섭 데이터로부터 ADMG의 구조를 추론하기 위한 답변 집합 프로그래밍 기반 정확한 학습 알고리즘을 개발한다.
• 관측 변수와 오차 변수를 포함하는 확장된 AMP 사슬 그래프로의 변환을 통해 마르코프 성질의 동치성과 분포 일致성 증명을 수행한다.

실험 결과

연구 질문

• RQ1 엄밀히 양의 분포 하에서 새로운 ADMG 클래스에 대해 전역, 局소, 쌍별 마르코프 성질이 동치로 정의될 수 있는가?
• RQ2 연속 변수일 경우, 특히 상관 오차를 가진 구조적 방정식으로서 새로운 ADMG는 어떻게 인과적으로 해석될 수 있는가?
• RQ3 Pearl의 do-계산법은 새로운 ADMG 모델에 적응 가능할 수 있으며, 만약 가능하다면 어떤 조건에서 가능한가?
• RQ4 새로운 ADMG에서의 분리 기준과 해당 독립 모델 간의 관계는 무엇인가?
• RQ5 관측 및 간섭 데이터로부터 새로운 ADMG의 구조를 정확하게 학습할 수 있는가?

주요 결과

• 엄밀히 양의 확률 분포 하에서 새로운 ADMG 모델에 대해 전역, 순서화된 局소, 쌍별 마르코프 성질 간의 동치성이 성립한다.
• 연속 변수에 대해 ADMG는 상관 오차를 가진 구조적 방정식 시스템으로 해석 가능하며, 이는 Pearl의 do-계산법 적용을 가능하게 한다.
• 엄밀히 양의 분포 하에서 ADMG 내 분리 기준은 상호 동치이며, 일致한 독립 모델을 보장한다.
• 관측 변수의 결합 분포가 원래 ADMG에 대해 전역 마르코프 성질을 만족하는 것은, 관측 및 오차 변수의 결합 분포가 확장된 그래프에 대해 AMP 사슬 그래프 마르코프 성질을 만족할 때이고 그 때에만 해당한다.
• 관측 및 간섭 데이터로부터 ADMG의 구조를 학습하기 위한 답변 집합 프로그래밍 기반 정확한 학습 알고리즘이 제안되었고, 그 정당성이 입증되었다.
• 확장된 AMP 사슬 그래프로의 변환 과정은 관측 변수에 대한 분리 성질을 유지하므로 타당한 추론과 마르코프 성질의 동치성 증명이 가능하다.