[논문 리뷰] Inference for a Large Directed Acyclic Graph with Unspecified Interventions

Chunlin Li, Xiaotong Shen외 1명|PubMed|2021. 10. 07.

Statistical Methods and Inference참고 문헌 30인용 수 7

한 줄 요약

이 논문은 비특수화된 간섭 조건 하에서 고차원 정규 방향 비순환 그래프(DAGs)에서 인과적 추론을 위한 데이터 편향을 활용한 우도 비율 검정을 제안하며, 최상위 순서를 복원하기 위한 새로운 벗기기 알고리즘을 사용한다. 이 방법은 오차 스케일 가정 없이도 일致한 구조 학습과 타당한 추론을 보장하며, 다항식 시간 내에 이론적 보장을 달성한다.

ABSTRACT

Statistical inference of directed relations given some unspecified interventions (i.e., the intervention targets are unknown) is challenging. In this article, we test hypothesized directed relations with unspecified interventions. First, we derive conditions to yield an identifiable model. Unlike classical inference, testing directed relations requires to identify the ancestors and relevant interventions of hypothesis-specific primary variables. To this end, we propose a peeling algorithm based on nodewise regressions to establish a topological order of primary variables. Moreover, we prove that the peeling algorithm yields a consistent estimator in low-order polynomial time. Second, we propose a likelihood ratio test integrated with a data perturbation scheme to account for the uncertainty of identifying ancestors and interventions. Also, we show that the distribution of a data perturbation test statistic converges to the target distribution. Numerical examples demonstrate the utility and effectiveness of the proposed methods, including an application to infer gene regulatory networks. The R implementation is available at https://github.com/chunlinli/intdag.

연구 동기 및 목표

• 간섭 대상이 알려지지 않았거나 특정되지 않은 고차원 정규 DAG에서 통계적 추론의 과제를 해결하기 위해.
• 구조 학습의 불확실성을 고려하면서 동시에 DAG의 구조를 학습하고 방향성 관계를 검정할 수 있는 방법을 개발하기 위해.
• 다중 간섭 대상이 가능한 조건에서 비특수화된 간섭 하에서 DAG의 식별 조건을 설정하기 위해.
• 이전 방법에서 흔히 사용되던 제한적인 오차 스케일 가정을 제거하여 변수 스케일링에 대해 불변성을 확보하기 위해.
• 고차원 설정 하에서 구조 학습과 추론에 대한 이론적 보장을 제공하기 위해.

제안 방법

• 노드별 회귀 기반의 벗기기 알고리즘을 제안하여 DAG 내 주요 변수의 상위 순서를 복원한다.
• 자식의 조상와 간섭을 식별하는 데 발생할 수 있는 불확실성을 고려하기 위해 데이터 편향 기반의 우도 비율 검정을 통합한다.
• 모든 가능한 조상 관계와 후보 간섭을 표현하기 위해 조상 관계 그래프(ARG)라고 불리는 슈퍼 그래프를 사용한다.
• 노드별 회귀의 정규화 파라미터 선택을 위해 BIC를 활용한 이중 단계 튜닝 절차를 적용한다.
• 약한 정규 조건 하에서 벗기기 알고리즘의 이론적 일致성을 확립하며, 진짜 상위 순서로 수렴함을 보여준다.
• 검정 통계량의 근사 근원 분포를 구하기 위해 데이터 편향 기반의 몬테카를로 샘플링(M=500)을 사용한다.

실험 결과

연구 질문

• RQ1 비특수화된 간섭 조건 하에서 어떤 조건에서 정규 DAG가 인과적 추론에 대해 식별 가능한가?
• RQ2 불확실한 간섭 조건 하에서 고차원 DAG에서 변수의 상위 순서를 일관적이고 계산 효율적으로 복원할 수 있는 알고리즘이 존재하는가?
• RQ3 방향성 간선과 경로에 대한 우도 비율 검정에서 구조 학습의 불확실성을 어떻게 적절히 반영할 수 있는가?
• RQ4 오차 스케일 가정 없이도 고차원 설정에서 타당한 제1종 오류 통제와 양호한 검정력(유의수준)을 유지하는가?
• RQ5 성능이 표본 크기, 희박성, 알려지지 않은 간섭 수에 따라 어떻게 달라지는가?

주요 결과

• 벗기기 알고리즘은 정규 조건 하에서 저차 다항식 시간 내에 상위 순서의 일관된 추정을 달성한다.
• 데이터 편향 기반의 우도 비율 검정은 검정 통계량의 분포가 목표 근원 분포로 수렴함을 보장한다.
• 수치 실험을 통해 제1종 오류 통제가 타당하고 양호한 검정력을 보이며, 유전자 조절 네트워크 추론 사례에서도 성능이 우수하다.
• 표본 크기가 증가하고 DAG의 희박성이 감소할수록 구조적 해밍 거리(SHD)로 측정된 성능이 향상된다.
• 많은 수의 알려지지 않은 간섭(예: q=1500)이 존재하더라도 성능이 안정적으로 유지되어 중간 수준의 표본 크기에서도 강건함을 보였다.
• 이론적 결과는 충분한 표본 크기 하에서 진짜 비영 엣지가 추정된 지원에 거의 확실히 포함됨을 보여준다.