[논문 리뷰] Causal Discovery from Subsampled Time Series Data by Constraint Optimization

Antti Hyttinen, Sergey Plis외 3명|PubMed|2016. 02. 25.

Bayesian Modeling and Causal Inference참고 문헌 21인용 수 13

한 줄 요약

이 논문은 부스러진 시간 시리즈 데이터로부터 진짜 시스템 시간 스케일의 원인 구조를 추론하기 위해 부울 제약 솔버를 사용하는 제약 최적화 프레임워크를 제안한다. 이는 이전 방법들보다 수개의 주기 빠르게 계산을 수행하고 유한 표본 데이터에서 발생하는 통계적 오차로 인한 갈등을 최적으로 해결함으로써, 고도로 부스러진 관측 빈도에서도 강인하고 비모수적 원인 구조 추정이 가능하게 한다.

ABSTRACT

This paper focuses on causal structure estimation from time series data in which measurements are obtained at a coarser timescale than the causal timescale of the underlying system. Previous work has shown that such subsampling can lead to significant errors about the system's causal structure if not properly taken into account. In this paper, we first consider the search for the system timescale causal structures that correspond to a given measurement timescale structure. We provide a constraint satisfaction procedure whose computational performance is several orders of magnitude better than previous approaches. We then consider finite-sample data as input, and propose the first constraint optimization approach for recovering the system timescale causal structure. This algorithm optimally recovers from possible conflicts due to statistical errors. More generally, these advances allow for a robust and non-parametric estimation of system timescale causal structures from subsampled time series data.

연구 동기 및 목표

• 기본 원인 역학보다 더 낮은 빈도로 관측된 시간 시리즈 데이터로부터 진짜 시스템 시간 스케일의 원인 구조를 추론하는 문제에 대응하기 위해.
• 기존 방법들이 부스러짐 효과를 간과하거나 제한적인 비모수적 모델에 의존하는 한계를 극복하기 위해.
• 유한 표본 데이터를 다루고 독립성 테스트에서 발생하는 통계적 오차로 인한 갈등을 해결하는 스케일러블하고 비모수적 접근법을 개발하기 위해.
• 측정 시간 스케일에 대한 사전 지식 없이도 알려지지 않았거나 변동하는 부스러짐 빈도에서 원인 발견을 가능하게 하기 위해.

제안 방법

• 진짜 원인 과정을 시스템 시간 스케일에서 첫 번째 차수 마르코프 과정으로 모델링하며, 즉각적인(동시의) 영향이 없는 것으로 간주하고, 이를 동적 베이지안 네트워크 구조로 표현한다.
• 시스템 시간 스케일의 원인 구조를 압축적으로 표현하기 위해 롤드 그래프 표현 $\mathcal{G}^1$ 를 사용하며, 여기서 간선 $V_i \rightarrow V_j$ 는 전체 시간 시리즈에서 $V_i^{t-1} \rightarrow V_j^t$ 를 의미한다.
• 유한 표본 데이터에 통계적 조건부 독립성 테스트를 적용하여 측정 시간 스케일에서 가능한 원인 구조에 대한 제약 조건을 생성한다.
• 일반적인 부울 제약 솔버(예: Clingo)를 사용해 구현된 제약 최적화 프레임워크가 이러한 제약 조건을 통합하고 갈등을 최소화하는 최적의 원인 구조를 찾는다.
• 정확도와 계산 효율성을 향상시키기 위해, 균일 가중치와 의사 부울 가중치 두 가지 가중치 방법을 사용하며, 후자는 결과의 신뢰도를 더 잘 반영한다.
• 부스러짐 빈도가 알려지지 않았거나 변동하는 경우를 다루기 위해, 이 방법을 일반화하여 부스러짐 빈도를 제약 만족 과정의 파라미터로 취급한다.

실험 결과

연구 질문

• RQ1 기본 원인 과정보다 더 낮은 빈도로 부스러진 시간 시리즈 데이터로부터 진짜 시스템 시간 스케일의 원인 구조를 정확하게 복원할 수 있는가?
• RQ2 유한 표본 데이터에서 발생하는 통계적 오차로 인해 발생하는 충돌하는 독립성 제약 조건을 최적으로 해결할 수 있는가?
• RQ3 기존의 제약 기반 방법에 비해 부스러진 시간 시리즈에서의 원인 발견에 있어 계산 효율성을 크게 향상시킬 수 있는가?
• RQ4 측정 주파수에 대한 사전 지식 없이도, 알려지지 않거나 변동하는 부스러짐 빈도에 대해 이 방법이 얼마나 일반화될 수 있는가?

주요 결과

• 제안된 제약 최적화 방법은 Plis 등(2015b)의 최신 기법보다 수개의 주기 더 빠른 계산을 달성하여, 소규모 네트워크의 경우 해결 시간을 수십 분에서 몇 초로 단축시켰다.
• 의사 부울 가중치 방법은 정확도와 효율성 측면에서 균일 가중치보다 뛰어나며, 다양한 p-값 임계치 범위에서 높은 진짜 양성률과 낮은 위양성률을 달성했다.
• 크기 $n=7$ 이고 부스러짐 빈도 $u=2$ 인 네트워크에서, 의사 부울 방법을 사용할 경우 100회의 실행을 몇 초 내에 완료했지만, 균일 방법은 수십 분이 소요되었다.
• 더 큰 표본 크기($N=500$)는 더 작은 표본($N=200$)보다 실행 시간을 줄였으며, 이는 통계적 테스트에서 갈등 제약 조건이 적어지기 때문이다.
• 최적의 독립성 테스트 파라미터를 사용할 경우, 특히 의사 부울 가중치 방법을 사용할 경우 진짜 시스템 시간 스케일의 구조 ${\cal{G}}^1$ 를 높은 정확도로 복원했다.
• 표본 수 $N=1000$ 인 12노드 그래프에 대해서도 이 방법은 합리적인 시간 내에 전역 최적해를 찾았으며, 중간 크기의 시스템에 대한 실용적 타당성을 입증했다.