[논문 리뷰] Improved Causal Discovery from Longitudinal Data Using a Mixture of DAGs

Eric V. Strobl|arXiv (Cornell University)|2019. 01. 28.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 시간이 지남에 따라 변화하거나 인구 집단 간으로 다를 수 있는 종단적 생물의학 데이터에서 인과 과정을 모델링하기 위해 방향성 없는 비순환 그래프(DAGs)의 혼합을 제안한다. 인과 추론에 대한 혼합(Causal Inference over Mixtures, CIM) 알고리즘은 종단적 데이터로부터 요약 그래프를 추론하며, 시간에 따라 변화하는 인과적 구조와 이질적인 인과적 구조를 포착함으로써 이전 방법들에 비해 향상된 인과 발견 성능을 보여준다.

ABSTRACT

Causal processes in biomedicine may contain cycles, evolve over time or differ between populations. However, many graphical models cannot accommodate these conditions. We propose to model causation using a mixture of directed cyclic graphs (DAGs), where the joint distribution in a population follows a DAG at any single point in time but potentially different DAGs across time. We also introduce an algorithm called Causal Inference over Mixtures that uses longitudinal data to infer a graph summarizing the causal relations generated from a mixture of DAGs. Experiments demonstrate improved performance compared to prior approaches.

연구 동기 및 목표

• 생물의학 분야에서 사이클이 존재하거나 시간에 따라 변화하거나 인구 집단 간 이질성이 있는 인과 과정을 처리하지 못하는 기존 그래픽 모델의 한계를 해결하기 위해.
• 각 시간대에 다른 DAG가 해당되는 종단적 데이터를 DAG의 혼합으로 모델링하여 동적인 인과 시스템을 유연하게 표현하기 위해.
• 시간 또는 하위집단 간 인과적 변화를 반영하는 일관된 요약 그래프를 종단적 데이터에서 추론할 수 있는 알고리즘을 개발하기 위해.
• 인과적 구조의 시간적 및 인구 수준의 변동을 명시적으로 모델링하여 인과 발견 정확도를 향상시키기 위해.

제안 방법

• 각 구성 요소가 특정 시간대의 DAG를 나타내도록 종단적 데이터의 결합 분포를 DAG의 혼합으로 모델링하기.
• 확률적 프레임워크를 사용하여 혼합을 표현함으로써, 서로 다른 시간대에서 다른 DAG 구조가 데이터를 지배하도록 허용하기.
• 관측된 종단적 데이터로부터 혼합 구성 요소와 관련된 DAG 구조를 추정할 수 있도록 인과 추론에 대한 혼합(CIM) 알고리즘을 설계하기.
• 시간 순서와 조건부 독립성 검증을 활용하여 시간별 인과적 구조를 식별하고 혼합을 반영한 요약 그래프를 추론하기.
• 각 시간대의 데이터 서브셋에 대해 구조 학습 기법을 적용한 후 결과를 통합하여 일관되고 시간 인식이 가능한 인과 그래프를 형성하기.
• 종단적 데이터의 제약 조건을 통합하여 인과적 구조 학습에서 식별 가능성과 과적합 방지를 향상시키기.

실험 결과

연구 질문

• RQ1 DAG의 혼합은 종단적 생물의학 데이터에서 시간에 따라 변화하는 인과 관계를 효과적으로 모델링할 수 있는가?
• RQ2 기본 인과 그래프가 시간대에 따라 변화할 때, 종단적 데이터로부터 어떻게 인과적 구조를 추론할 수 있는가?
• RQ3 제안된 CIM 알고리즘이 동적 또는 이질적인 데이터에서 기존 방법에 비해 인과 발견 성능을 얼마나 향상시키는가?
• RQ4 혼합 모델은 식별 가능성과 해석 가능성 유지 조건에서 인구 수준의 인과적 구조 차이를 포착할 수 있는가?

주요 결과

• 제안된 DAG 혼합 모델은 종단적 데이터에서 시간에 따라 변화하는 인과적 구조를 효과적으로 포착하여 정적 DAG 모델에 비해 더 정확한 인과 발견을 가능하게 한다.
• CIM 알고리즘은 기저의 DAG 혼합을 반영하는 요약 그래프를 성공적으로 추론하며, 합성 및 실제 종단적 데이터 세트에서 성능 향상을 보여준다.
• 실험 결과, 인과 관계가 시간에 따라 변화할 때 기존 접근법에 비해 더 정확한 인과적 구조를 식별하는 데에 본 방법이 뛰어난 성능을 보인다.
• 모델은 인구 집단 간 이질성에 강건하며, 시간에 따라 변화하는 인과적 변화와 인구 집단별로 특화된 인과적 변화를 구분할 수 있다.