[논문 리뷰] From Random Differential Equations to Structural Causal Models: the stochastic case

Stephan Bongers, Joris M. Mooij|arXiv (Cornell University)|2018. 03. 23.

Bayesian Modeling and Causal Inference참고 문헌 20인용 수 18

한 줄 요약

이 논문은 랜덤 미분 방정식(RDEs)과 구조적 인과 모델(SCMs) 사이의 공식적인 연결을 수립하며, 특정 조건 하에서 RDE의 모든 평형 상태가 SCM으로 표현될 수 있음을 보여준다. 유도된 SCM은 RDE의 확률적 및 인과적 의미를 유지하여, 순환 구조와 혼란 변수를 포함한 RDE 평형 상태를 분석하기 위해 인과 추론 도구를 적용할 수 있게 한다.

ABSTRACT

Random Differential Equations provide a natural extension of Ordinary Differential Equations to the stochastic setting. We show how, and under which conditions, every equilibrium state of a Random Differential Equation (RDE) can be described by a Structural Causal Model (SCM), while pertaining the causal semantics. This provides an SCM that captures the stochastic and causal behavior of the RDE, which can model both cycles and confounders. This enables the study of the equilibrium states of the RDE by applying the theory and statistical tools available for SCMs, for example, marginalizations and Markov properties, as we illustrate by means of an example. Our work thus provides a direct connection between two fields that so far have been developing in isolation.

연구 동기 및 목표

• 랜덤 미분 방정식(RDEs)으로 모델링된 확률적 동적 시스템과 기존에 별개로 발전해온 구조적 인과 모델(SCMs) 간의 격차를 메우기 위해.
• RDE의 평형 상태가 인과적 의미를 유지하면서 SCM으로 표현될 수 있는 조건을 규명하기 위해.
• do-계산법, 간섭, 마르코프 성질 등 기존에 잘 정립된 SCM 도구들을 활용하여 RDE의 장기적 행동을 분석할 수 있도록 하기 위해.
• 유도된 SCM 프레임워크가 피드백 루프와 관측되지 않은 혼란 변수를 포함한 복잡한 인과 구조를 확률적 시스템 내에서 모델링할 수 있는 능력을 보여주기 위해.

제안 방법

• RDE의 평형 상태를 SCM 내 잠재적 구조 방정식으로 형식화하며, 변수 간의 구조적 관계를 확률적 동역학을 통해 정의한다.
• RDE의 평형 분포가 유효한 SCM으로서의 조건을 확보하기 위해 충분한 조건을 설정하여 do-계산법과 간섭 의미론과의 일致성을 보장한다.
• 랜덤 외부 요인을 특정 분포를 가진 외생 변수로 표현함으로써, SCM 프레임워크 내에서 RDE의 확률적 성격을 유지한다.
• RDE의 확률적 미분 구조를 구조 방정식에 통합함으로써, SCM 프레임워크를 순환적 및 혼란 변수가 있는 구조로 확장한다.
• 유도된 SCM에 대해 표준 SCM 도구—예: d-분리, do-간섭, 조건부 통일성—를 직접 적용하여 RDE의 평형 행동을 분석한다.
• 구체적인 예시를 통해 마진화와 마르코프 성질이 RDE의 평형 상태에 대한 간섭 하에서 어떻게 활용될 수 있는지 설명한다.

실험 결과

연구 질문

• RQ1 랜덤 미분 방정식의 평형 상태가 어떤 조건에서 구조적 인과 모델로 표현될 수 있는가?
• RQ2 RDE의 인과적 의미가 SCM 프레임워크로의 변환 과정에서 어떻게 유지될 수 있는가?
• RQ3 유도된 SCM은 확률적 동적 시스템에 내재된 피드백 순환과 관측되지 않은 혼란 변수를 모두 모델링할 수 있는가?
• RQ4 do-계산법과 조건부 통일성과 같은 표준 SCM 도구들이 RDE의 평형 행동을 분석하는 데 얼마나 적용될 수 있는가?
• RQ5 유도된 SCM은 확률적 동적 시스템에서의 간섭과 반대로 가정 가능한 상황을 어떻게 지원하는가?

주요 결과

• 적절한 정규성 및 구조 조건 하에서, 랜덤 미분 방정식의 모든 평형 상태는 구조적 인과 모델로 표현될 수 있다.
• 유도된 SCM은 원래 RDE의 인과적 의미를 유지하여, 확률적 환경에서 유효한 인과 추론을 가능하게 한다.
• 이 프레임워크는 RDE의 평형 분포 내에서 순환 구조와 혼란 변수를 포함한 복잡한 인과 구조를 모델링하는 데 지원한다.
• 유도된 SCM은 do-계산법, d-분리, 간섭 분석과 같은 표준 SCM 도구들을 활용하여 RDE 평형 상태를 분석할 수 있도록 한다.
• 마진화와 마르코프 성질을 활용하여 간섭 하에서 RDE의 행동을 분석할 수 있으며, 이는 구체적인 예시를 통해 입증되었다.
• 이 작업은 확률적 동적 시스템과 인과 모델링 사이에 직접적이고 공식적인 다리를 구축하여, 이전에 별개로 발전해온 두 연구 분야를 통합한다.