[논문 리뷰] High-recall causal discovery for autocorrelated time series with latent confounders

Andreas Gerhardus, Jakob Runge|arXiv (Cornell University)|2020. 07. 03.

Bayesian Modeling and Causal Inference참고 문헌 35인용 수 35

한 줄 요약

LPCMCI를 제안합니다. 이는 잠재 교란을 가진 자기상관 시간 시계열에 대한 제약 기반 인과 발견 방법으로, SVAR-FCI보다 재현율이 더 높으면서 오탐을 제어합니다. 알려진 부모를 기본 조건으로 사용하고 새로운 LPCMCI-PAG 규칙을 통한 조기 방향 설정으로 효과 크기를 증가시킵니다.

ABSTRACT

We present a new method for linear and nonlinear, lagged and contemporaneous constraint-based causal discovery from observational time series in the presence of latent confounders. We show that existing causal discovery methods such as FCI and variants suffer from low recall in the autocorrelated time series case and identify low effect size of conditional independence tests as the main reason. Information-theoretical arguments show that effect size can often be increased if causal parents are included in the conditioning sets. To identify parents early on, we suggest an iterative procedure that utilizes novel orientation rules to determine ancestral relationships already during the edge removal phase. We prove that the method is order-independent, and sound and complete in the oracle case. Extensive simulation studies for different numbers of variables, time lags, sample sizes, and further cases demonstrate that our method indeed achieves much higher recall than existing methods for the case of autocorrelated continuous variables while keeping false positives at the desired level. This performance gain grows with stronger autocorrelation. At https://github.com/jakobrunge/tigramite we provide Python code for all methods involved in the simulation studies.

연구 동기 및 목표

• 잠재 교란을 가진 자기상관 시간 시계열에서 인과 발견의 낮은 재현율 문제를 해결한다.
• CI 테스트의 효과 크기를 증가시키기 위해 정보가 있는 조건 집합을 사용한다.
• 초기 단계에서부터 조상 관계를 결정하는 반복적 엣지 제거 및 방향 설정 프레임워크를 도입한다.
• 제안된 방법의 건전성, 완전성(오라클 케이스), 순서 독립성을 증명한다.
• 벤치마킹 및 재현성을 가능하게 하는 오픈 소스 코드를 제공한다.

제안 방법

• 잠재 교란을 가진 시계열에 대한 제약 기반 인과 발견 알고리즘인 LPCMCI를 도입한다.
• CI 테스트의 효과 크기를 정의하고 알려진 부모에 대한 기본 조건이 파워를 높이는 방법을 보여준다.
• 새로운 LPCMCI-PAG 방향 규칙과 중간 표기를 개발하여 초기 조상 결정이 가능하도록 한다.
• 엣지 제거와 방향 설정을 얽혀 테스트 중에 연속적으로 조상 관계를 정제한다.
• 순서 독립성과 오라클 가정하에서의 건전성 및 완전성을 증명한다.
• 오픈 소스 파이썬 구현을 제공하고 SVAR-FCI 및 SVAR-RFCI 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 LPCMCI가 자가상관 및 잠재 교란이 존재하는 상황에서 기존 시계열 인과 발견 방법보다 더 높은 재현율을 달성할 수 있는가?
• RQ2 알려진 부모에 대한 조건(기본 조건)이 CI 테스트의 파워를 향상시키면서 거짓 양성을 증가시키지 않는가?
• RQ3 새로운 방향 규칙과 LPCMCI-PAG 표현이 엣지 제거 중 초기 조상 여부를 더 일찍 더 신뢰성 있게 결정하게 하는가?
• RQ4 LPCMCI 알고리즘이 순서 독립적이며 오라클 설정에서 건전하고 완전한가?
• RQ5 변수 수, 시간 지연 수, 샘플 크기가 달라질 때 LPCMCI의 성능은 어떠한가?

주요 결과

• LPCMCI는 자기상관이 있는 연속 데이터에서 SVAR-FCI보다 재현율이 크게 높으면서도 거짓 양성을 목표 레벨로 유지한다.
• A와 B의 부모에 대한 기본 조건을 사용하면 CI 테스트의 효과 크기가 증가하고 탐지 파워가 향상된다.
• 새로운 방향 규칙과 LPCMCI-PAG가 엣지 제거 중 초기 조상 관계를 결정할 수 있게 한다.
• 이 알고리즘은 순서 독립이며, 오라클 CI 결정하에 건전하고 완전하다.
• 강한 자기상관과 더 큰 문제 크기에서 성능 이득이 더 커진다(광범위한 시뮬레이션에서).