[논문 리뷰] Context-Specific Causal Discovery for Categorical Data Using Staged Trees

Manuele Leonelli, Gherardo Varando|arXiv (Cornell University)|2021. 06. 08.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 범주형 데이터에서 인과적 발견을 위한 단계적 트리 모델을 소개하며, 전통적인 DAGs를 초월하여 복잡하고 비대칭적인 인과 관계를 표현할 수 있도록 한다. 새로운 맥락 기반 간섭 불일치도(CID) 측도와 그래픽적 동치 기준을 제안하여 시뮬레이션과 실제 응용 사례를 통해 단계적 트리가 비대칭 의존성과 인과 추론 정확도 향상 측면에서 DAGs를 능가함을 입증한다.

ABSTRACT

Causal discovery algorithms aim at untangling complex causal relationships from data. Here, we study causal discovery and inference methods based on staged tree models, which can represent complex and asymmetric causal relationships between categorical variables. We provide a first graphical representation of the equivalence class of a staged tree, by looking only at a specific subset of its underlying independences. We further define a new pre-metric, inspired by the widely used structural intervention distance, to quantify the closeness between two staged trees in terms of their corresponding causal inference statements. A simulation study highlights the efficacy of staged trees in uncovering complexes, asymmetric causal relationships from data, and real-world data applications illustrate their use in practical causal analysis.

연구 동기 및 목표

• 표준 DAGs의 한계를 초월하여 복잡하고 비대칭적인 인과 관계를 모델링할 수 있는 범주형 자료를 위한 인과적 발견 알고리즘 개발.
• 단계적 트리 모델 간의 인과 간섭 문장 차이를 측정하기 위해 새로운 전거리수치인 맥락 기반 간섭 불일치도(CID) 정의.
• 대칭적 인코herent 관계에 초점을 맞춰 단계적 트리의 등가 클래스의 일부를 특징짓는 최초의 그래픽 기준 수립.
• 단계적 트리와 DAGs의 성능 비교를 시뮬레이션 및 실제 데이터 환경에서 평가.
• 특히 비선형적이고 비대칭적인 의존성이 있는 경우에 실세계 인과 분석에서 단계적 트리가 실제로 유용한가를 입증.

제안 방법

• 논문은 변별 변수 간 비대칭 인과 관계를 표현하기 위해 단계적 트리 모델을 사용하며, 간선은 조건부 확률로 레이블이 붙는다.
• 구조적 간섭 거리(SID)에 영감을 얻어 단계적 트리에 특화된 새로운 불일치 측도인 CID를 도입하여 간섭 분포 기반으로 모델 간 비교를 수행한다.
• 단계적 트리 내에서 대칭적 조건부 인코herent 관계만을 분석함으로써 그래픽적 동치 기준을 제안하여 등가 클래스의 부분적 특징을 가능하게 한다.
• 동적 프로그래밍과 점수 기반 학습(예: AIC, BIC)을 활용한 인과적 발견 알고리즘을 구현하며, stagedtrees R 패키지를 통해 이를 구현한다.
• 변수 순서의 구조 학습을 위해 베이지안 히우리스틱 검색(BHC)과 점수 기반 최적화를 적용한다.
• 시뮬레이션 연구와 실제 응용 사례(예: ENSO, IOD, 호주 봄 강수량 연구)를 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 DAGs가 실패하는 경우, 단계적 트리 모델이 범주형 자료에서 비대칭 인과 관계를 효과적으로 포착하고 표현할 수 있는가?
• RQ2 의존성이 맥락 기반이고 비대칭일 경우, 인과 모델 간의 유의미한 비유사도 측도를 어떻게 정의할 수 있는가?
• RQ3 관측 데이터에서 복잡한 의존성이 있는 경우, 단계적 트리의 진짜 인과 구조 복원 성능은 DAGs에 비해 어떻게 되는가?
• RQ4 대칭적 조건부 인코herent 관계만을 사용하여 단계적 트리의 등가 클래스의 일부를 특징짓는 그래픽 기준을 개발할 수 있는가?
• RQ5 실세계 응용 사례에서 비선형적이고 맥락 기반 효과가 있는 경우, 단계적 트리는 DAGs보다 더 나은 인과 추론과 모델 적합도를 제공하는가?

주요 결과

• 시뮬레이션 연구에서 단계적 트리 모델이 DAGs보다 복잡하고 비대칭적인 인과 관계를 크게 더 잘 복원함을 입증했다.
• 맥락 기반 간섭 불일치도(CID) 측도는 SID와 달리 비대칭 의존성을 고려함으로써 단계적 트리 모델 간의 차이를 성공적으로 측정하였다.
• ENSO-IOD-AU 사례 연구에서 강수량이 중립적인 ENSO 단계에서만 IOD에 의존한다는 것이 드러나, 이는 이전 연구와 일치하는 비선형적이고 맥락 기반의 효과를 확인하였다.
• 변수 순서가 ENSO-IOD-AU인 단계적 트리의 AIC는 368.23으로, 다른 순서(371.04)보다 낮아 모델 적합도와 인과 구조 복원 측면에서 우월함을 뒷받침한다.
• 그래픽적 동치 기준은 대칭적 조건부 인코herent 관계에 집중함으로써 단계적 트리의 등가 클래스의 일부를 성공적으로 식별하여 실용적인 등가 기반 추론을 가능하게 하였다.
• 단계적 트리 R 패키지(알고리즘 및 시뮬레이션 실험 포함)는 공개되어 있어 재현성과 향후 연구를 지원한다.