[논문 리뷰] Enhancing Identification of Causal Effects by Pruning

Santtu Tikka, Juha Karvanen|arXiv (Cornell University)|2018. 06. 19.

Bayesian Modeling and Causal Inference참고 문헌 7인용 수 7

한 줄 요약

이 논문은 원인적 모델에서 부속 변수를 식별하고 제거하기 위해 그래픽 기준과 향상된 ID 알고리즘(PID)을 도입한다. 이는 원인적 효과의 표현을 크게 단순화한다. 식별 가능성 알고리즘을 적용하기 이전에 불필요한 변수를 제거함으로써, 계산 복잡도를 감소시키고, 결측 데이터 또는 측정 오차가 있는 상황에서 추정 효율성을 향상시키며, 식별 가능성에 손실 없이 더 해석 가능한 공식을 도출한다.

ABSTRACT

Causal models communicate our assumptions about causes and effects in real-world phe- nomena. Often the interest lies in the identification of the effect of an action which means deriving an expression from the observed probability distribution for the interventional distribution resulting from the action. In many cases an identifiability algorithm may return a complicated expression that contains variables that are in fact unnecessary. In practice this can lead to additional computational burden and increased bias or inefficiency of estimates when dealing with measurement error or missing data. We present graphical criteria to detect variables which are redundant in identifying causal effects. We also provide an improved version of a well-known identifiability algorithm that implements these criteria.

연구 동기 및 목표

• 표준 식별 가능성 알고리즘에 의해 생성되는 불필요하게 복잡한 원인적 효과 표현 문제를 해결하기 위해.
• 원인적 효과의 식별에 기여하지 않는 원인적 모델 내 변수를 식별하여, 식별 가능성에 손실 없이 제거할 수 있도록 하기 위해.
• 알고리즘 처리 이전에 그래픽적 제거를 통해 표현을 단순화함으로써 원인적 효과 추정의 효율성과 해석 가능성 향상을 위해.
• 제거 기준을 ID 알고리즘에 통합하여 원인적 효과에 대한 더 단순하고 계산 효율성이 높은 표현을 생성하기 위해.
• 제거 기법과 기호적 단순화를 조합할 경우, 각각을 별도로 사용할 때보다 더 뛰어난 단순화 결과를 도출할 수 있음을 입증하기 위해.

제안 방법

• 원인적 모델에서 식별 가능성에 대해 부속적인 변수를 탐지하기 위한 그래픽 기준을 제안하며, 이는 d-분리와 잠재적 투영 개념에 기반한다.
• 이 기준을 재귀적으로 적용하는 수정된 ID 알고리즘인 PID(제거 강화 ID)를 도입한다.
• 목표 원인적 효과의 식별 가능성에 영향을 주지 않는 정점(변수)을 제거함으로써 DAG에서 변수를 제거하고, 유효한 원인적 관계를 유지하기 위해 잠재적 투영을 사용한다.
• ID 알고리즘의 재귀적 구조에 제거 단계를 통합하여, 각 하위 문제 수준에서의 단순화를 가능하게 한다.
• 이전 연구(Tikka와 Karvanen, 2017b)에서 제안된 기호적 단순화 기법과 함께 개선된 PID 알고리즘을 결합하여 표현의 복잡도를 추가로 감소시킨다.
• 측정 정확도 또는 비용과 같은 외부 지식에 따라 지도될 수 있는 변수 순서 전략을 알고리즘에 도입하여 유익한 제거 선택을 우선시한다.

실험 결과

연구 질문

• RQ1 원인적 모델 내에서 주어진 원인적 효과의 식별에 있어 부속적인 변수는 무엇이며, 이를 체계적으로 탐지할 수 있는가?
• RQ2 그래픽 기반 제거 기준을 ID 알고리즘에 통합하여 원인적 효과에 대한 더 단순하고 효율적인 표현을 도출할 수 있는가?
• RQ3 제거 기법과 기호적 단순화를 조합할 경우, 각각을 별도로 사용할 때보다 더 나은 단순화 결과를 얻을 수 있는가?
• RQ4 ID 알고리즘의 재귀적 구조와 제거 기법이 하위 문제 전반에 걸쳐 더 깊은 단순화를 가능하게 하는 방식은 무엇인가?
• RQ5 결측 데이터 또는 측정 오차가 있는 설정에서 제거 기반 강화 알고리즘을 사용할 경우 계산적·통계적 이점은 무엇인가?

주요 결과

• 제안된 제거 기준은 원인적 효과의 식별 가능성에 기여하지 않는 변수를 성공적으로 식별하고 제거하여, 식별 결과가 훨씬 단순화된 표현을 도출한다.
• 제거 기준을 ID 알고리즘에 통합한 PID 알고리즘은 후행 단순화를 적용한 경우조차도 원래 ID 알고리즘보다 더 단순한 표현을 생성한다.
• 그림 10의 예시에서 제거 기법과 기호적 단순화를 조합하면, 제거만 또는 단순화만 수행한 경우보다 더 단순한 공식을 도출할 수 있었다.
• PID에서 도출된 표현은 단순할 뿐 아니라 반복적 또는 고차원 설정에서 평가 시 더욱 효율적이다.
• 제거 기법은 문제의 차원을 감소시켜, 측정 오차나 결측 데이터에 대한 저항력을 향상시킨다. 이는 최종 표현에서 문제를 일으키는 변수를 제거하기 때문이다.
• ID 알고리즘 내부에서 제거를 재귀적으로 적용함으로써, 사전 처리 단계의 제거만으로는 달성할 수 없는 더 깊은 수준의 단순화가 가능함을 입증하였다. 이는 알고리즘 흐름 내에 통합하는 것이 중요함을 보여준다.