[논문 리뷰] backShift: Learning causal cyclic graphs from unknown shift interventions

Dominik Rothenhaüsler, Christina Heinze외 2명|arXiv (Cornell University)|2015. 06. 08.

Bayesian Modeling and Causal Inference참고 문헌 24인용 수 28

한 줄 요약

backShift는 관측 데이터와 알려지지 않은 이동 간섭이 있는 실험 환경에서, 두 번째 모멘트와 공분산 차이의 공동 행렬 대각화를 사용하여 선형 인과 순환 그래프를 학습하는 방법을 제안한다. 최소 세 개의 실험 설정(그 중 하나는 관측 데이터)이 존재할 경우, 간섭 위치나 강도에 대한 사전 지식 없이도 인과 구조와 간섭 대상의 완전한 식별이 가능하다는 충분하고 필수 조건을 제공한다.

ABSTRACT

We propose a simple method to learn linear causal cyclic models in the presence of latent variables. The method relies on equilibrium data of the model recorded under a specific kind of interventions ("shift interventions"). The location and strength of these interventions do not have to be known and can be estimated from the data. Our method, called backShift, only uses second moments of the data and performs simple joint matrix diagonalization, applied to differences between covariance matrices. We give a sufficient and necessary condition for identifiability of the system, which is fulfilled almost surely under some quite general assumptions if and only if there are at least three distinct experimental settings, one of which can be pure observational data. We demonstrate the performance on some simulated data and applications in flow cytometry and financial time series. The code is made available as R-package backShift.

연구 동기 및 목표

• 모르는 이동 간섭 하에서 평형 데이터를 바탕으로 잠재 변수를 포함한 선형 인과 순환 모델을 학습하는 방법을 개발하는 것.
• 관측 및 간섭 데이터로부터 인과 구조와 간섭 대상을 유일하게 복원할 수 있는 조건을 규명하는 것.
• 간섭 위치나 크기 정보 없이도 연결 행렬과 간섭 강도를 추정할 수 있도록 하는 것.
• 복잡한 최적화나 분포 가정 없이 두 번째 모멘트 통계와 공동 행렬 대각화를 기반으로 계산 효율성이 높은 접근법을 제공하는 것.

제안 방법

• 다양한 실험 환경 간 공분산 행렬의 차이를 이용하여 간섭 효과를 추정하는 방법을 사용한다.
• 공분산 행렬의 차이에 대해 공동 행렬 대각화를 적용하여 간섭 대상과 연결 구조를 복원한다.
• 두 번째 모멘트만을 기반으로 하여 변수 수에 대해 최악의 경우 삼차 복잡도를 가지며 계산 효율성이 높다.
• 오차 구조를 변화시키지 않고 변수의 평균만 변경하는 이동 간섭을 가정하며, 구조 방정식 모델에서 가감성 이동으로 모델링한다.
• 이동 간섭 효과와 일치하는 공분산 차이의 패턴을 탐지하여 간섭 대상을 식별한다.
• 연결 행렬의 사이클 곱이 1보다 엄격히 작을 경우에 해당하는 충분하고 필수 조건을 통해 식별 가능성을 확립한다.

실험 결과

연구 질문

• RQ1 알려지지 않은 이동 간섭 하에서 수집된 데이터로부터 선형 순환 모델의 인과 구조를 식별할 수 있는가?
• RQ2 여러 환경에서 연결 행렬과 간섭 대상을 완전히 식별할 수 있는 조건은 무엇인가?
• RQ3 간섭 대상에 대한 사전 지식 없이도 인과 그래프와 간섭 위치/강도를 추정할 수 있는가?
• RQ4 잠재적 혼란 요인과 피드백 루프가 있는 인과 구조에서 이 방법의 성능은 어떠한가?
• RQ5 시간에 따라 변화하는 간섭이 있는 실세계 데이터(예: 금융 시계열 또는 생물학적 신호 전파 네트워크)에 이 방법을 적용할 수 있는가?

주요 결과

• 일반적인 조건 하에서, 최소 세 개의 서로 다른 실험 설정(그 중 하나는 순수 관측 데이터)이 존재할 경우, 인과 구조가 완전히 식별 가능하다.
• 식별 가능성을 확보하기 위해 연결 행렬의 사이클 곱이 1보다 엄격히 작아야 하며, 이는 안정성을 보장하고 발산하는 역학을 방지한다.
• 유세포 분석 데이터에서 backShift는 기존 연구와 비교해 5개의 뒤집힌 간선과 3개의 새로운 간선를 포함해 알려진 피드백 루프(예: PIP2 ↔ PLCg 및 PKC ↔ JNK)를 성공적으로 복원했다.
• 금융 시계열 데이터에서는 backShift가 세 차례의 주요 시장 하락의 원인을 정확히 특정했다: 2001년 기술주(纳斯达克), 2008년 미국 주식(S&P 500), 2011년 유럽 주식(DAX).
• stability selection을 통해 backShift는 기대 오류 발견 수 E(V) = 2를 달성하여 더 희소하고 신뢰할 수 있는 네트워크 추정을 얻었다.
• 추정한 간섭 행렬의 큰 비대각 요소를 통해 메커니즘 위반을 탐지할 수 있었으며, 이는 비이동 간섭을 시사하는 것으로, 일곱 개의 유세포 분석 환경 중 네 곳에서 간섭 대상에서 관찰되었다.