[논문 리뷰] Identifiability of Causal Graphs using Functional Models

Jonas Peters, Joris M. Mooij외 2명|arXiv (Cornell University)|2012. 02. 14.

Bayesian Modeling and Causal Inference참고 문헌 16인용 수 64

한 줄 요약

이 논문은 비선형 기능 관계 하에서 관측 데이터로부터 완전한 인과 그래프 식별을 가능하게 하는 새로운 프레임워크인 식별 가능한 기능 모델 클래스(IFMOCs)를 소개한다. 기존의 충실성 가정과는 달리, IFMOCs는 선형 모델이 실패할 경우에도 정확한 인과 구조 복원을 가능하게 하며, 더 강력하고 검증 가능한 식별 조건을 제공하며, 시뮬레이션 데이터에서 검증된 실용적인 알고리즘을 제공한다.

ABSTRACT

This work addresses the following question: Under what assumptions on the data generating process can one infer the causal graph from the joint distribution? The approach taken by conditional independence-based causal discovery methods is based on two assumptions: the Markov condition and faithfulness. It has been shown that under these assumptions the causal graph can be identified up to Markov equivalence (some arrows remain undirected) using methods like the PC algorithm. In this work we propose an alternative by defining Identifiable Functional Model Classes (IFMOCs). As our main theorem we prove that if the data generating process belongs to an IFMOC, one can identify the complete causal graph. To the best of our knowledge this is the first identifiability result of this kind that is not limited to linear functional relationships. We discuss how the IFMOC assumption and the Markov and faithfulness assumptions relate to each other and explain why we believe that the IFMOC assumption can be tested more easily on given data. We further provide a practical algorithm that recovers the causal graph from finitely many data; experiments on simulated data support the theoretical findings.

연구 동기 및 목표

• 기존 인과 발견 방법이 마르코프 동치성 클래스를 초월해 인과 그래프를 유일하게 식별할 수 없는 한계를 해결하기 위해.
• 관측 데이터로부터 완전한 인과 그래프 복원을 가능하게 하는 새로운 식별 조건인 식별 가능한 기능 모델 클래스(IFMOCs)를 개발하기 위해.
• 비선형 설정에서 충실성보다 더 검증 가능하고 더 엄격하지 않은 조건임을 입증하기 위해.
• IFMOC 가정 하에서 유한 표본을 사용한 인과 구조 복원을 위한 실용적인 알고리즘을 제공하기 위해.

제안 방법

• 공통 분포로부터 구조적 방정식이 식별 가능한 기능 모델의 클래스로 IFMOCs를 정의한다.
• 데이터 생성 과정의 기능 형태를 이용해 인과 관계의 방향을 유일하게 결정한다.
• IFMOCs 하에서 완전한 인과 그래프가 공통 분포로부터 식별 가능하다는 이론적 기반을 확립한다.
• 유한 데이터로부터 인과 그래프를 복원하기 위한 조건부 독립성 및 기능 형태 제약 조건에 기반한 실용적인 알고리즘을 제안한다.
• 노이즈의 비정규성과 기능 형태를 활용해 비모수적으로 원인과 결과를 구분한다.
• IFMOC 가정을 인과 발견 파이프라인에 통합하여 마르코프 및 충실성 가정을 피한다.

실험 결과

연구 질문

• RQ1 충실성 가정에 의존하지 않고 관측 데이터로부터 완전한 인과 그래프를 어떻게 고유하게 식별할 수 있는가?
• RQ2 IFMOCs는 마르코프 및 충실성 가정과 비교해 식별성과 검증 가능성 측면에서 어떻게 다른가?
• RQ3 유한 표본을 사용해 IFMOCs 하에서 인과 그래프를 실용적으로 복원할 수 있는가?
• RQ4 실제 데이터 환경에서 IFMOC 가정은 충실성 가정보다 더 실증적으로 검증 가능한가?

주요 결과

• 논문은 IFMOCs 하에서 비선형 설정에서도 완전한 인과 그래프가 공통 분포로부터 식별 가능하다는 것을 증명한다.
• IFMOCs는 충실성보다 더 강력한 식별 조건을 제공하여 마르코프 동치성 이외의 고유한 인과 구조 복원을 가능하게 한다.
• 제안된 알고리즘은 시뮬레이션에서 유한 데이터로부터 인과 그래프를 성공적으로 복원하여 이론적 주장의 타당성을 검증한다.
• IFMOC 가정은 충실성 가정보다 실증적으로 더 검증 가능하여 실생활 응용에서 실용적 이점을 제공한다.