[논문 리뷰] Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets

Daniel Kumor, Bryant Chen외 1명|arXiv (Cornell University)|2019. 10. 29.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 선형 구조적 인과 모델에서 효율적인 인과 효과 식별을 위한 새로운 다항시간 기준인 도구적 컷셋(Instrumental Cutsets, IC)을 소개한다. 최대 유량 원리와 일반화된 도구 집합을 활용하여 이전 방법이 놓친 매개변수를 효과적으로 식별하며, TSID 식별이 NP-완전임을 증명하고, 모든 테스트 벤치마크에서 높은 식별 능력과 다항시간 효율성을 동시에 확보한 최초의 방법으로서 IC를 제안한다.

ABSTRACT

One of the most common mistakes made when performing data analysis is attributing causal meaning to regression coefficients. Formally, a causal effect can only be computed if it is identifiable from a combination of observational data and structural knowledge about the domain under investigation (Pearl, 2000, Ch. 5). Building on the literature of instrumental variables (IVs), a plethora of methods has been developed to identify causal effects in linear systems. Almost invariably, however, the most powerful such methods rely on exponential-time procedures. In this paper, we investigate graphical conditions to allow efficient identification in arbitrary linear structural causal models (SCMs). In particular, we develop a method to efficiently find unconditioned instrumental subsets, which are generalizations of IVs that can be used to tame the complexity of many canonical algorithms found in the literature. Further, we prove that determining whether an effect can be identified with TSID (Weihs et al., 2017), a method more powerful than unconditioned instrumental sets and other efficient identification algorithms, is NP-Complete. Finally, building on the idea of flow constraints, we introduce a new and efficient criterion called Instrumental Cutsets (IC), which is able to solve for parameters missed by all other existing polynomial-time algorithms.

연구 동기 및 목표

• 기존의 지수시간 알고리즘에 의존할 경우 발생하는 선형 구조적 인과 모델(Structural Causal Models, SCMs)에서 인과 효과 식별의 계산 비효율성 문제를 해결하기 위해.
• 이전의 효율적 방법이 실패하는 상황에서도 인과 효과를 식별할 수 있는 다항시간 방법을 개발하기 위해.
• 최근 제안된 강력하지만 이전에 분석되지 않은 식별 방법인 TSID의 계산 복잡도를 공식적으로 규명하기 위해.
• 기존의 도구 집합을 일반화하고, 이전에 도달할 수 없었던 매개변수를 효율적으로 식별할 수 있도록 하는 새로운 그래픽 기준인 도구적 컷셋(Instrumental Cutsets, IC)을 제안하기 위해.

제안 방법

• 최대 유량 기반 기준인 도구적 컷셋(IC)을 제안하여, 도구에서 목표 변수로 향하는 정점을 분리한 경로를 분석함으로써 다항시간 내에 도구 집합을 식별한다.
• 반트레크 기준과 무조건적 도구 집합을 흐름 기반 프레임워크로 재구성하여 적용 범위를 일반화한다.
• 정점 분리 경로 분해와 최소 컷 분석을 활용하여 흐름 제약 조건 하에서 유효한 도구 집합의 존재를 검증한다.
• 각 목표 변수에 대해 IC를 적용하는 재귀적 알고리즘(ICID)을 활용하여 점진적으로 구조적 매개변수를 식별한다.
• 매칭 블록과 가장 가까운 최소 컷 등의 그래프 이론적 성질을 활용하여 흐름 조건을 검증하고 정확성을 보장한다.
• 기존에 알려진 NP-완전 문제로의 축소를 통해 TSID 식별의 NP-완전성을 증명함으로써, 그 계산 난이도를 규명한다.

실험 결과

연구 질문

• RQ1 기존의 효율적 방법이 실패하는 상황에서 선형 SCM에서 인과 효과를 다항시간 내에 식별할 수 있는가?
• RQ2 최근 제안된 방법인 TSID의 식별 능력은 계산적으로 타당한지, 아니면 NP-완전인가?
• RQ3 높은 식별 능력과 다항시간 효율성을 동시에 확보할 수 있는 새로운 기준을 설계할 수 있는가?
• RQ4 기존의 도구 집합 방법을 초월하여, 어떤 그래프 이론적 조건이 구조적 매개변수의 효율적 식별을 가능하게 하는가?

주요 결과

• 도구적 컷셋(IC)은 이전의 모든 효율적 알고리즘들이 놓친 선형 SCM에서의 인과 효과 식별이 가능한 최초의 다항시간 방법이다.
• 논문은 TSID를 사용한 인과 효과 식별 여부를 판단하는 것이 NP-완전임을 증명하여 문헌에서 열려 있던 문제를 해결한다.
• IC는 기존의 가장 강력한 방법들인 gHTC와 gAVS를 능가하거나 이를 상회하는 높은 식별 능력을 확보하면서도 다항시간 복잡도를 유지한다.
• 재귀적 ICID 알고리즘은 테스트된 모델에서 일반적으로 식별 가능한 모든 매개변수를 성공적으로 식별하여 실용적 적용 가능성을 입증한다.
• 이론적 분석을 통해 흐름 제약 조건 하에서 IC가 타당성과 완전성을 모두 확보함을 확인하여, 잘못된 식별이나 누락된 식별이 발생하지 않음을 보장한다.
• 최대 유량과 최소 컷 추론을 통합함으로써 무조건적 도구 집합과 반트레크 기준을 일반화하여 더 넓은 적용 범위를 확보한다.