[논문 리뷰] Characterization and Greedy Learning of Interventional Markov Equivalence Classes of Directed Acyclic Graphs

Alain Hauser, Peter Bühlmann|arXiv (Cornell University)|2011. 04. 14.

Bayesian Modeling and Causal Inference참고 문헌 38인용 수 240

한 줄 요약

이 논문은 간섭 실험을 포함한 다수의 관측 데이터를 통합하여 인과적 구조 식별 능력을 향상시키기 위해 방향성 비순환 그래프(DAGs)의 간섭성 Markov 등가류를 도입한다. 그래프 이론적 표현인 간섭성 본질적 그래프를 제안하고, Greedy Equivalence Search(GES) 알고리즘을 간섭성 등가류에 일반화한 Greedy Interventional Equivalence Search(GIES) 알고리즘을 개발하여 관측 및 간섭 데이터의 통합적 분석에서 인과적 구조 식별 능력을 크게 향상시킨다.

ABSTRACT

The investigation of directed acyclic graphs (DAGs) encoding the same Markov property, that is the same conditional independence relations of multivariate observational distributions, has a long tradition; many algorithms exist for model selection and structure learning in Markov equivalence classes. In this paper, we extend the notion of Markov equivalence of DAGs to the case of interventional distributions arising from multiple intervention experiments. We show that under reasonable assumptions on the intervention experiments, interventional Markov equivalence defines a finer partitioning of DAGs than observational Markov equivalence and hence improves the identifiability of causal models. We give a graph theoretic criterion for two DAGs being Markov equivalent under interventions and show that each interventional Markov equivalence class can, analogously to the observational case, be uniquely represented by a chain graph called interventional essential graph (also known as CPDAG in the observational case). These are key insights for deriving a generalization of the Greedy Equivalence Search algorithm aimed at structure learning from interventional data. This new algorithm is evaluated in a simulation study.

연구 동기 및 목표

• DAG의 Markov 등가성 개념을 간섭 데이터까지 확장하여 인과 모델의 더 세밀한 분할을 가능하게 한다.
• 관측 데이터의 경우 CPDAG와 유사하게 간섭성 Markov 등가류를 유일하고 완전하게 표현할 수 있는 그래프 이론적 표현인 간섭성 본질적 그래프를 개발한다.
• 관측 Markov 등가성보다 더 세밀한 DAG 분할을 가능하게 하는 간섭 조건을 정의하고, 이를 통해 인과 식별 능력을 향상시킨다.
• 간섭성 본질적 그래프의 공간을 효율적으로 탐색할 수 있는 알고리즘적 연산을 개발한다.
• 관측 및 간섭 데이터에서의 인과적 구조 학습을 위해 Greedy Equivalence Search(GES) 알고리즘을 간섭성 데이터에 일반화하여 Greedy Interventional Equivalence Search(GIES) 알고리즘을 도출한다.
• 시뮬레이션 연구를 통해 GIES 알고리즘의 성능을 검증하여 간섭 조건 하에서의 구조 학습 능력 향상을 입증한다.

제안 방법

• 주어진 간섭 집합 하에서 두 DAG가 등가인지 여부를 판단하기 위한 그래프 이론적 기준을 제안한다.
• 관측 데이터의 CPDAG와 유사하게 간섭성 Markov 등가류를 유일하고 완전하게 표현할 수 있는 간섭성 본질적 그래프를 도입한다.
• 관측 Markov 등가성보다 더 세밀한 DAG 분할이 이루어지는 조건을 정의하고, 이를 통해 인과 식별 능력을 향상시킨다.
• 간섭성 본질적 그래프의 공간을 효율적으로 탐색할 수 있는 알고리즘적 연산을 개발한다.
• 관측 데이터를 다룰 수 있는 Greedy Equivalence Search(GES) 알고리즘을 간섭 데이터에 일반화하여 Greedy Interventional Equivalence Search(GIES) 알고리즘을 도출한다.
• 시뮬레이션 연구를 통해 GIES 알고리즘의 성능을 검증하여 간섭 조건 하에서의 구조 학습 능력 향상을 입증한다.

실험 결과

연구 질문

• RQ1 Markov 등가성이 간섭 데이터까지 확장될 수 있는 방법은 무엇이며, 간섭이 등가류를 더 세밀하게 분할하는 데 필요한 조건은 무엇인가?
• RQ2 어떤 그래프 이론적 구조가 간섭성 Markov 등가류를 유일하게 표현할 수 있으며, 그가 만족하는 성질은 무엇인가?
• RQ3 Greedy Equivalence Search(GES) 알고리즘은 어떻게 관측 및 간섭 데이터에서 인과적 구조를 학습할 수 있도록 수정될 수 있는가?
• RQ4 관측 데이터만을 사용하는 경우에 비해 간섭 데이터를 통합할 경우 인과 모델의 식별 능력은 어느 정도 향상되는가?
• RQ5 어떤 알고리즘적 연산이 간섭성 본질적 그래프의 공간에서 효율적인 탐색을 가능하게 하는가?

주요 결과

• 간섭성 Markov 등가성은 관측 Markov 등가성보다 더 세밀한 DAG 분할을 정의하므로, 합리적인 간섭 조건 하에서 인과 모델의 식별 능력이 향상된다.
• 각 간섭성 Markov 등가류는 간섭성 본질적 그래프로 유일하게 표현될 수 있으며, 이는 관측 상황에서의 CPDAG를 간섭 상황으로 일반화한 것이다.
• Greedy Interventional Equivalence Search(GIES) 알고리즘은 GES 알고리즘의 간섭 데이터 적용을 성공적으로 일반화하여, 이 경우의 정규화된 최대우도 추정을 가능하게 한다.
• GIES 알고리즘은 시뮬레이션 데이터 기반의 구조 학습에서 성능 향상을 보이며, 특히 관측 데이터에서 모호하게 남아 있던 간선 방향을 해소하는 데 효과적이다.
• 그래프 이론적 구성과 사이클 방지 논증을 통해 특정 부모 및 이웃 제약 조건을 만족하는 DAG의 존재성과 같은 이론적 결과를 입증하였다.
• GIES 알고리즘의 구현은 R 패키지 pcalg에 통합될 예정이며, 요청 시 사전 릴리스 버전을 제공할 수 있다.