[논문 리뷰] Causal inference via algebraic geometry: necessary and sufficient conditions for the feasibility of discrete causal models

Ciarán M. Lee, Robert W. Spekkens|arXiv (Cornell University)|2015. 06. 12.

Bayesian Modeling and Causal Inference인용 수 3

한 줄 요약

이 논문은 두 개의 이진 관측 변수를 가진 이산 인과 모델의 타당성에 대한 必要한 및 충분한 조건을 결정하기 위해 대수기하학을 사용하는 인과 추론 프레임워크를 개발한다. 이는 추가적인 노이즈 없이도 임의의 기능적 종속성과 잠재 변수를 허용한다. 관측 동치 클래스의 귀납적 분류를 제공하고, 모델 타당성을 테스트하기 위한 연관된 공동 분포에 대한 대수적 제약 조건을 유도한다.

ABSTRACT

We provide a scheme for inferring causal relations from uncontrolled statistical data which makes use of all of the information in the joint probability distribution over the observed variables rather than just the conditional independence relations. We focus on causal models containing just two observed variables, each of which is binary. We allow any number of latent variables and we do not impose any restriction on the manner in which the observed variables may depend functionally on the latent ones. In particular, the noise need not be additive. We provide an inductive scheme for classifying causal models into distinct observational equivalence classes. For each observational equivalence class, we provide a procedure for deriving, using techniques from algebraic geometry, necessary and sufficient conditions on the joint distribution for the feasibility of the class. Connections and applications of these results to the emerging field of quantum causal models are also discussed.

연구 동기 및 목표

• 통제되지 않은 통계적 자료에서 전체 공동 분포를 사용하여 인과 추론을 위한 종합적인 방법을 개발하는 것, 조건부 독립성 외의 정보를 포함한다.
• 기능 형태나 잠재 구조에 관계없이 두 개의 이진 관측 변수를 가진 인과 모델을 관측 동치 클래스로 분류하는 것.
• 대수기하학을 사용하여 각 동치 클래스에 대한 공동 분포에 대한 必要한 및 충분한 대수적 조건을 도출하는 것.
• 잠재 변수 모델에서 비가산 노이즈와 복잡한 기능적 종속성에 적용 가능한 인과 모델링의 적용 범위를 넓히는 것.
• 고전적 이산 인과 모델과 새로운 양자 인과 모델 간의 연결을 대수적 제약 조건을 통해 탐색하는 것.

제안 방법

• 관측 가능한 분포에 기반하여 인과 모델을 관측 동치 클래스로 그룹화하는 귀납적 체계를 사용한다.
• 각 동치 클래스에 대해, 모델이 타당하기 위해 만족해야 할 공동 확률 분포에 대한 다항식 제약 조건을 대수기하학 기법을 통해 도출한다.
• 두 개의 이진 관측 변수에 대한 공동 분포의 구조를 활용하여, 비가산 노이즈를 포함한 잠재 변수에 대한 모든 가능한 기능적 종속성을 특성화한다.
• 각 동치 클래스에 해당하는 대수적 다양체를 식별함으로써 다항식 아이디얼 소속성 테스트를 통해 타당성 테스트를 가능하게 한다.
• 주어진 공동 분포가 인과 모델에 의해 정의된 대수적 다양체 내에 있는지 여부를 판단하는 체계적인 절차를 구축한다.
• 모수적 가정이나 조건부 독립성 테스트를 요구하지 않으며, 전체 분포 정보에 의존한다.

실험 결과

연구 질문

• RQ1 두 개의 이진 관측 변수와 임의의 잠재 구조를 포함하는 주어진 이산 인과 모델에 대해, 공동 분포가 타당하기 위한 必요한 및 충분한 대수적 조건은 무엇인가요?
• RQ2 기능적 종속성이 비가산적이며 명시되지 않은 경우, 인과 모델을 어떻게 체계적으로 관측 동치 클래스로 분류할 수 있나요?
• RQ3 대수기하학은 잠재 변수가 있는 주어진 인과 구조에 대해 타당한 공동 분포의 집합을 어떻게 특성화합니까?
• RQ4 기존의 인과 발견에서 조건부 독립에 기반한 제약 조건과 비교해 볼 때, 유도된 대수적 제약 조건은 어떻게 일반화되거나 다릅니까?
• RQ5 이러한 대수적 방법은 어떻게 양자 인과 모델의 개발을 확장하거나 지원할 수 있나요?

주요 결과

• 논문은 주어진 인과 모델에 대한 타당한 공동 분포 집합이 다항식 부등식과 등식으로 구성된 반대수집집합(semi-algebraic set)을 이룬다는 것을 입증한다. 이는 모델의 구조에서 유도된 것이다.
• 기능적 종속성이 임의이고 노이즈가 비가산일지라도, 두 이진 변수 모델에 대한 관측 동치 클래스의 완전한 분류를 제공한다.
• 각 동치 클래스에 대해, 모델 타당성에 필요한 및 충분한 명시적 다항식 제약 조건을 도출한다.
• 조건부 독립 테스트에 의존하지 않고 전체 공동 분포를 입력으로 사용함으로써 인과 구조 탐지가 가능하다.
• 이 프레임워크는 기존의 d-분리 또는 조건부 독립에 기반한 방법보다 대수기하학이 인과 타당성의 보다 종합적인 특성화를 가능하게 한다는 것을 드러낸다.
• 양자 인과 모델과의 연결 고리가 확인되었으며, 이는 유사한 대수적 기법이 양자 맥락에서의 타당성 조건을 뒷받침할 수 있음을 시사한다.