[논문 리뷰] Identifying Causal Effects via Context-specific Independence Relations

Santtu Tikka, Antti Hyttinen외 1명|arXiv (Cornell University)|2020. 09. 21.

Bayesian Modeling and Causal Inference인용 수 9

한 줄 요약

이 논문은 구조적 인과 모델에서 문맥 특이적 인과관계(CSI) 관계가 존재할 경우 인과적 영향을 식별하기 위한 새로운 미적분과 자동화된 검색 절차를 제안한다. 표준 방법으로는 식별이 불가능하다고 여겨졌던 인과적 영향도 CSI를 고려한 확장된 do-미적분을 통해 식별 가능하게 하여, 소수의 CSI 관계가 존재하는 것만으로도 이전에는 식별 불가능했던 모델가 식별 가능하게 될 수 있음을 보여준다.

ABSTRACT

Causal effect identification considers whether an interventional probability distribution can be uniquely determined from a passively observed distribution in a given causal structure. If the generating system induces context-specific independence (CSI) relations, the existing identification procedures and criteria based on do-calculus are inherently incomplete. We show that deciding causal effect non-identifiability is NP-hard in the presence of CSIs. Motivated by this, we design a calculus and an automated search procedure for identifying causal effects in the presence of CSIs. The approach is provably sound and it includes standard do-calculus as a special case. With the approach we can obtain identifying formulas that were unobtainable previously, and demonstrate that a small number of CSI-relations may be sufficient to turn a previously non-identifiable instance to identifiable.

연구 동기 및 목표

• 표준 방법이 실패할 경우 인과적 영향을 식별할 수 없게 만드는 문맥 특이적 인과관계(CSI) 관계를 다룰 수 있도록 do-미적분의 한계를 보완하기 위함.
• 조건부 인과관계가 다양한 문맥에서 달라지는 구조를 표현할 수 있는 레이블이 부여된 DAG(LDAG)를 사용하여 CSI가 존재하는 상황에서의 인과적 영향 식별을 체계화하기 위함.
• 표준 do-미적분이 실패하는 상황에서 CSI 관계를 활용하여 인과적 영향을 자동으로 식별할 수 있는 타당하고 확장 가능한 검색 절차를 개발하기 위함.
• 소수의 CSI 관계가 존재하는 것만으로도 이전에는 식별 불가능했던 인과 모델이 식별 가능하게 될 수 있음을 보여주어 비모수적 식별의 범위를 넓히기 위함.

제안 방법

• 저자들은 do-미적분을 확장하여 문맥 특이적 인과관계(CSI) 관계를 포함할 수 있도록 하는 새로운 미적분을 도입하여, 조건부 독립성이 문맥에 따라 달라지는 상황에서도 간섭 분포를 다룰 수 있도록 한다.
• 조건부 독립관계가 특정 조건 변수의 값에 따라 달라지는 상황을 표현하기 위해 레이블이 부여된 DAG(LDAG)를 사용하여 문제를 체계화한다.
• 새로운 미적분의 규칙 공간을 탐색하기 위해 자동화된 검색 절차를 설계하였으며, 문맥 제거, 새로운 분리 기준, 확장성 향상을 위한 휴리스틱 기법을 활용한다.
• 기존 do-미적분을 특수한 경우로 포함하여 후행 호환성을 확보하면서도 CSI를 다룰 수 있도록 범위를 확장한다.
• 검색 절차는 알고리즘 1에 구현되었으며, 문맥 기반 조정과 간섭을 조합하여 식별 공식을 체계적으로 유도한다.
• 계산 효율성을 높이기 위해 검색 과정에서 중복된 문맥을 제거하고, LDAG에서 CSI 기반 d-분리 기준을 처리하기 위한 새로운 분리 기준을 도입한다.

실험 결과

연구 질문

• RQ1 표준 do-미적분을 초월하여 문맥 특이적 인과관계(CSI) 관계를 다룰 수 있도록 인과적 영향 식별을 확장할 수 있는가?
• RQ2 CSI 존재 상황에서 인과적 영향을 자동으로 식별할 수 있는 타당하고 확장 가능한 미적분을 설계할 수 있는가?
• RQ3 CSI가 존재할 경우 인과적 영향의 비식별성을 판단하는 데 필요한 계산 복잡도는 어떻게 되는가?
• RQ4 소수의 CSI 관계가 이전에는 비식별 가능성이 없었던 인과 모델을 식별 가능하게 만들 수 있는가?
• RQ5 선택 편향, 이행 가능성, 누락 데이터를 포함한 문제 상황에서 CSI 기반 추론이 식별 가능성에 얼마나 기여할 수 있는가?

주요 결과

• CSI 존재 상황에서 인과적 영향의 비식별성을 판단하는 것은 NP-난해함을 보여주며, 일반적인 경우에서의 본질적인 계산 난이도를 시사한다.
• 제안된 미적분과 검색 절차는 증명 가능한 타당성을 지니며, 표준 do-미적분만으로는 식별 불가능한 인과적 영향도 식별할 수 있다.
• 잠재적 혼란 요인을 포함한 여러 벤치마크 예제에서, do-미적분이 실패하는 상황에서도 본 방법은 식별 공식을 성공적으로 도출하였다.
• 단지 몇 가지 CSI 관계, 예를 들어 $X \perp L \mid A=0$ 및 $X \perp Y \mid A=1, L$와 같은 관계가 존재하는 것만으로도 비식별 가능성이 있던 모델가 식별 가능하게 될 수 있음을 보여주었다.
• 문헌에서 보고된 네트워크 크기 수준까지 확장 가능하여 실제 인과 추론 작업에 대한 실용성을 입증하였다.
• 그림 13에서 보여주듯이, 다양한 문맥에서 전면 조정과 배면 조정을 모두 포함하는 하이브리드 공식을 사용한 복잡한 구조에서도 인과적 영향을 식별할 수 있음을 입증하였다.