[논문 리뷰] Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders

Patrick Forré, Joris M. Mooij|arXiv (Cornell University)|2018. 07. 09.

Bayesian Modeling and Causal Inference참고 문헌 10인용 수 16

한 줄 요약

이 논문은 비선형 구조적 인과 모델에 순환 구조, 잠재 공액자, 그리고 개입 데이터를 고려한 새로운 제약 기반 인과 발견 알고리즘을 제안한다. σ-분리성의 개념을 σ-연결 그래프(σ-CGs)로 확장함으로써, 비선형성과 피드백 루프가 존재하는 상황에서도 정확한 인과 구조 복원이 가능해지며, 개입이 가해진 시뮬레이션 데이터에서 개선된 간선 탐지 성능을 입증하였다.

ABSTRACT

We address the problem of causal discovery from data, making use of the recently proposed causal modeling framework of modular structural causal models (mSCM) to handle cycles, latent confounders and non-linearities. We introduce σ-connection graphs (σ-CG), a new class of mixed graphs (containing undirected, bidirected and directed edges) with additional structure, and extend the concept of σ-separation, the appropriate generalization of the well-known notion of d-separation in this setting, to apply to σ-CGs. We prove the closedness of σ-separation under marginalisation and conditioning and exploit this to implement a test of σ-separation on a σ-CG. This then leads us to the first causal discovery algorithm that can handle non-linear functional relations, latent confounders, cyclic causal relationships, and data from different (stochastic) perfect interventions. As a proof of concept, we show on synthetic data how well the algorithm recovers features of the causal graph of modular structural causal models.

연구 동기 및 목표

• 비선형성, 순환성, 잠재 공액자, 개입 데이터를 동반한 인과 모델에서의 인과 발견 문제를 해결하기 위해.
• σ-분리성 기준을 방향성, 이중 방향성, 무방향성 간선을 포함한 혼합 그래프(즉, σ-연결 그래프, σ-CGs)로 확장하기 위해.
• 관찰 데이터와 다중 개입 데이터 세트를 동시에 처리할 수 있는 제약 기반 알고리즘을 개발하여, 비선형 기능 관계와 순환 구조를 수용하기 위해.
• 그래픽 기준(σ-분리성)이 정규화 및 조건화에 대해 닫혀 있음을 보장함으로써, 강인한 인과 추론을 가능하게 하기 위해.
• 다양한 개수의 개입을 가진 시뮬레이션 데이터에서 알고리즘의 효과성을 입증하기 위해.

제안 방법

• 방향성, 이중 방향성, 무방향성 간선을 포함한 새로운 혼합 그래프 클래스인 σ-연결 그래프(σ-CGs)를 도입하여, 인과 모델링을 위한 구조적 제약 조건을 부여한다.
• σ-분리성 기준을 방향성 그래프에서 σ-CGs로 확장하고, 정규화 및 조건화에 대해 닫혀 있음을 증명한다.
• 수축 사상과 반복 기하 체계를 사용하여 모듈러 구조적 인과 모델(mSCMs)을 구성함으로써, 순환 모델에서 해의 존재성과 유일성을 보장한다.
• 기존의 [19]에서 제안한 답변 집합 프로그래밍(ASP)-기반 인과 발견 프레임워크를 변형하여, d-분리성 대신 σ-분리성, d-CGs 대신 σ-CGs를 사용한다.
• 순위 변환된 데이터에 대한 부분 상관계수 검정을 통해 조건부 통독성을 추정하며, 유의수준으로 α = 10⁻³을 사용한다.
• 독립성 제약 조건을 가중치가 부여된 SAT 솔버에 입력하여 가장 일치하는 인과 그래프를 추론하며, 간선 존재/부재에 대한 신뢰도 점수를 활용한다.

실험 결과

연구 질문

• RQ1 σ-분리성이 정규화 및 조건화에 대해 닫혀 있는지를 보장하면서, 혼합 그래프(σ-CGs)로 일반화될 수 있는가?
• RQ2 제약 기반 인과 발견 알고리즘이 비선형 기능 관계, 순환 구조, 잠재 공액자, 다중 개입 데이터 세트를 동시에 처리할 수 있는가?
• RQ3 제안된 알고리즘이 시뮬레이션된 mSCM 데이터에서 방향성 간선과 잠재 공액자 구조를 얼마나 잘 복원하는가?
• RQ4 단일 변수 개입의 수를 늘릴수록 인과 구조 복원 정확도가 향상되는가?
• RQ5 이 프레임워크에서 σ-신뢰성 가정이 신뢰할 수 있는 인과 발견을 위한 충분한 조건인가?

주요 결과

• 제안된 알고리즘은 관찰 데이터와 개입 데이터를 활용하여 비선형성, 순환성, 잠재 공액자가 존재하는 인과 모델에서 방향성 간선을 성공적으로 복원한다.
• ROC 곡선 분석 결과, 단일 변수 개입 수가 증가할수록 방향성 간선 탐지 성능이 향상됨을 확인하여, 개입 데이터의 유용성을 입증한다.
• σ-분리성 제약 조건을 활용한 ASP 기반 최적화를 통해 간선 존재/부재에 대한 높은 신뢰도를 확보한다.
• σ-CG 프레임워크는 σ-분리성이 정규화 및 조건화에 대해 닫혀 있음을 유지하여, 조건부 독립성의 일관된 그래픽 모델링을 가능하게 한다.
• d=5개의 관측 변수와 k=2개의 잠재 공액자에 대해 확장 가능하며, 각 개입 설정당 10⁴개의 샘플을 처리할 수 있다.
• 실증 결과는 복잡한 mSCM 가정 하에서 기존 기준 방법 대비 인과 특성 복원 성능이 뛰어나다는 것을 보여준다.