[논문 리뷰] Causal Discovery in High-Dimensional Point Process Networks with Hidden Nodes

Xu Wang|arXiv (Cornell University)|2021. 12. 01.

Point processes and geometric inequalities참고 문헌 61인용 수 2

한 줄 요약

이 논문은 은닉 노드가 있는 고차원 다변량 포인트 프로세스 네트워크에서 인과적 발견을 위한 탈혼돈 방법을 제안한다. 선형 하크스 프로세스 프레임워크 내에서 잘라내기 회귀를 사용하며, 관측되지 않은 혼란 인자에도 불구하고 관측된 프로세스 간의 인과적 상호작용을 신뢰할 수 있게 추정할 수 있다. 시뮬레이션과 실제 쥐의 신경 데이터에서 기존의 단순 방법과 HIVE 방법보다 뛰어난 엣지 선택 성능을 보였다.

ABSTRACT

Thanks to technological advances leading to near-continuous time observations, emerging multivariate point process data offer new opportunities for causal discovery. However, a key obstacle in achieving this goal is that many relevant processes may not be observed in practice. Naïve estimation approaches that ignore these hidden variables can generate misleading results because of the unadjusted confounding. To plug this gap, we propose a deconfounding procedure to estimate high-dimensional point process networks with only a subset of the nodes being observed. Our method allows flexible connections between the observed and unobserved processes. It also allows the number of unobserved processes to be unknown and potentially larger than the number of observed nodes. Theoretical analyses and numerical studies highlight the advantages of the proposed method in identifying causal interactions among the observed processes.

연구 동기 및 목표

• 관측되지 않은 혼란 인자 문제를 고차원 다변량 포인트 프로세스 데이터에서 해결하기 위해.
• 관측된 프로세스의 부분 집합만 이용할 수 있을 때도 신뢰할 수 있는 인과적 발견을 가능하게 하기 위해.
• 은닉 프로세스의 수가 유연하고 알려지지 않았으며 잠재적으로 더 많을 수 있도록 하는 방법을 개발하기 위해.
• 은닉 혼란 인자가 존재할 경우 기존의 단순 방법과 HIVE 방법에 비해 엣지 선택 성능을 향상시키기 위해.
• 은닉 노드가 존재하는 고차원 설정에서 인과 추정에 대한 이론적 보장을 제공하기 위해.

제안 방법

• 다변량 하크스 프로세스에서 관측되지 않은 프로세스의 영향을 탈혼돈하기 위해 잘라내기 회귀 접근법을 사용한다.
• 관측된 프로세스를 외생적 자극과 내생적 피드백을 갖는 선형 하크스 프로세스로 모델링한다.
• 두 단계 추정 절차를 적용한다: 먼저 관측된 프로세스의 영향을 추정하고, 그 다음 잘라내기를 통해 은닉 혼란을 보정한다.
• 관측된 노드의 수가 관측 기간에 비해 클 수 있는 고차원 설정을 다루기 위해 정규화를 적용한다.
• 대표적인 표본 크기 조건 하에서 추정된 엣지의 타당성을 평가하기 위해 渐近적 추론 절차를 유도한다.
• 관측된 노드를 부분적으로 샘플링하여 안정성 분석을 수행함으로써 모델 가정과 표본 크기 요구 조건을 평가한다.

실험 결과

연구 질문

• RQ1 은닉 혼란 인자가 존재하는 고차원 네트워크에서 관측된 포인트 프로세스 간의 인과적 상호작용을 신뢰할 수 있게 추정할 수 있는가?
• RQ2 은닉 혼란이 존재할 경우 제안된 방법이 단순 추정과 HIVE 방법에 비해 엣지 선택 성능에서 어떻게 성과를 내는가?
• RQ3 은닉 노드가 존재하는 고차원 설정에서 이론적으로 이 방법이 유효한 인과 추론을 제공할 수 있는 조건은 무엇인가?
• RQ4 진정한 데이터 생성 과정이 알려지지 않은 상황에서 모델 가정은 어떻게 실질적으로 평가할 수 있는가?
• RQ5 노드의 일부만 관측되었을 때 이 방법이 참 연결 구조를 얼마나 잘 복원할 수 있는가?

주요 결과

• 제안된 방법인 hp-trim은 은닉 혼란 인자가 존재하는 시뮬레이션된 고차원 네트워크에서 기존의 단순 방법과 HIVE보다 진짜 인과 엣지를 더 잘 식별한다.
• 쥐의 후각 피질 스파ike 트레인 데이터에서는 레이저 조건과 레이저 미적용 조건에서 서로 다른 기능적 연결 패턴을 추정하였으며, 신경과학적 기대와 일치한다.
• 부분적으로 샘플된 뉴런을 사용한 안정성 분석에서 전체 관측과 부분 관측 간에 일관된 엣지 추정 결과를 보였으며, 실제 데이터에서 모델 가정의 타당성을 뒷받침한다.
• 이전 연구에서 FCI 기반 접근법에 비해 엣지 복원에서 더 높은 재현율을 달성하여 진짜 인과 관계를 더 잘 탐지함을 시사한다.
• 이론적 분석을 통해 표준 정규성 조건 하에서 추론 절차의 渐近적 타당성을 확인하였으며, 대규모 표본에서 신뢰할 수 있는 엣지 선택을 뒷받침한다.