[논문 리뷰] Causal Discovery from a Mixture of Experimental and Observational Data

Gregory F. Cooper, Changwon Yoo|arXiv (Cornell University)|2013. 01. 23.

Bayesian Modeling and Causal Inference참고 문헌 7인용 수 172

한 줄 요약

이 논문은 혼합된 실험적 및 관찰적 데이터로부터 인과적 발견을 위한 베이지안 방법을 제안한다. 이 방법은 두 데이터 유형을 통합하여 인과 베이지안 네트워크를 학습한다. 간섭(실험적 데이터)과 수동적 관찰을 활용함으로써, 인과적 구조 복원 및 파라미터 추정의 정확도가 향상되며, 데이터 비율을 체계적으로 변화시킨 ALARM 네트워크에서 이는 인과적 구조 복원 및 파라미터 추정에서 뚜렷한 성과 향상을 보였다.

ABSTRACT

This paper describes a Bayesian method for combining an arbitrary mixture of observational and experimental data in order to learn causal Bayesian networks. Observational data are passively observed. Experimental data, such as that produced by randomized controlled trials, result from the experimenter manipulating one or more variables (typically randomly) and observing the states of other variables. The paper presents a Bayesian method for learning the causal structure and parameters of the underlying causal process that is generating the data, given that (1) the data contains a mixture of observational and experimental case records, and (2) the causal process is modeled as a causal Bayesian network. This learning method was applied using as input various mixtures of experimental and observational data that were generated from the ALARM causal Bayesian network. In these experiments, the absolute and relative quantities of experimental and observational data were varied systematically. For each of these training datasets, the learning method was applied to predict the causal structure and to estimate the causal parameters that exist among randomly selected pairs of nodes in ALARM that are not confounded. The paper reports how these structure predictions and parameter estimates compare with the true causal structures and parameters as given by the ALARM network.

연구 동기 및 목표

• 실험적 및 관찰적 데이터를 융합하여 베이지안 네트워크에서 인과적 발견의 정확도를 향상시키는 방법을 개발하는 것.
• 간섭 기반 데이터와 수동 관찰 기록을 포함한 이질적인 데이터 원천이 존재할 때 인과적 구조 학습의 과제를 해결하는 것.
• 실험적 데이터와 관찰적 데이터의 비율을 변화시킬 경우 인과적 구조 및 파라미터 학습의 정확도에 어떤 영향을 미치는지 평가하는 것.
• 제어된 데이터 혼합 조건에서 벤치마크 인과 네트워크(ALARM)에서 이 방법의 효과성을 입증하는 것.

제안 방법

• 이 방법은 관찰적 및 실험적 데이터의 혼합물을 기반으로 하여 인과적 구조와 파라미터를 동시에 학습하는 데 베이지안 프레임워크를 활용한다.
• 데이터 생성 과정을 인과 베이지안 네트워크로 모델링하며, 수동 관찰과 간섭 기반 데이터를 모두 포함한다.
• 조건부 확률 분포를 사용하여 인과 관계를 표현하고, 간섭는 명시적으로 do-연산으로 모델링한다.
• 베이즈 정리에 따라 두 데이터 유형의 증거를 통합하여 가능한 인과적 구조 및 파라미터에 대한 사후 분포를 계산하는 학습 알고리즘을 사용한다.
• 평가 시 ALARM 네트워크에서 혼란 요인을 고려하지 않은 노드 쌍에 집중하여 혼란을 방지한다.
• 성능 평가를 위해 실험적 및 관찰적 데이터의 상대적 비율을 체계적으로 변화시킨다.

실험 결과

연구 질문

• RQ1 실험적 데이터와 관찰적 데이터를 융합할 경우, 단독으로 사용할 때보다 인과적 구조 발견의 정확도가 어떻게 향상되는가?
• RQ2 실험적 데이터 비율을 변화시킬 경우 인과적 파라미터 추정의 정확도에 어떤 영향을 미치는가?
• RQ3 혼합 데이터가 주어졌을 때, 알려진 네트워크(ALARM)의 진짜 인과적 구조를 이 방법이 신뢰성 있게 복원할 수 있는가?
• RQ4 간섭의 존재가 베이지안 학습 과정에서 정확한 인과적 구조의 사후 확률에 어떤 영향을 미치는가?

주요 결과

• 조금의 실험적 데이터 비율이라도 포함될 경우, 인과적 구조 복원 정확도가 크게 향상된다.
• 특히 직접적인 인과 효과에 대해 실험적 데이터를 통합할 경우 파라미터 추정의 정확도가 향상된다.
• ALARM 네트워크에서 혼란을 방지한 노드 쌍 간의 진짜 인과 관계를 높은 정확도로 식별했다.
• 실험적 데이터 비율이 증가할수록 성능이 단조롭게 향상되어 간섭의 가치를 입증했다.