[논문 리뷰] Joint Causal Inference from Multiple Contexts

Joris M. Mooij, Sara Magliacane외 1명|arXiv (Cornell University)|2016. 11. 30.

Bayesian Modeling and Causal Inference참고 문헌 79인용 수 34

한 줄 요약

이 논문은 관찰 데이터와 다중 맥락에서의 간섭 데이터를 통합하여 인과적 구조를 더 신뢰성 있게 규명할 수 있는 통합적 프레임워크인 공동 인과 추론(Joint Causal Inference, JCI)을 소개한다. 맥락에 따라 달라지는 간섭을 모델링하고, 데이터셋 간의 조건부 통독성 제약 조건을 활용함으로써, 간섭 대상이나 유형에 대한 사전 지식이 없어도 강력한 인과 규명이 가능하며, 합성 데이터 및 실제 유비세포 단백질 발현 데이터에서 기존 최고 수준의 알고리즘보다 뛰어난 성능을 보인다.

ABSTRACT

The gold standard for discovering causal relations is by means of experimentation. Over the last decades, alternative methods have been proposed that can infer causal relations between variables from certain statistical patterns in purely observational data. We introduce Joint Causal Inference (JCI), a novel approach to causal discovery from multiple data sets from different contexts that elegantly unifies both approaches. JCI is a causal modeling framework rather than a specific algorithm, and it can be implemented using any causal discovery algorithm that can take into account certain background knowledge. JCI can deal with different types of interventions (e.g., perfect, imperfect, stochastic, etc.) in a unified fashion, and does not require knowledge of intervention targets or types in case of interventional data. We explain how several well-known causal discovery algorithms can be seen as addressing special cases of the JCI framework, and we also propose novel implementations that extend existing causal discovery methods for purely observational data to the JCI setting. We evaluate different JCI implementations on synthetic data and on flow cytometry protein expression data and conclude that JCI implementations can considerably outperform state-of-the-art causal discovery algorithms.

연구 동기 및 목표

• 다양한 맥락에서의 관찰 및 간섭 데이터로부터 인과 추론을 통합하는 일반적 프레임워크를 개발하는 것.
• 간섭 데이터에서 간섭 대상이나 유형에 대한 사전 지식이 없어도 인과 추론을 가능하게 하는 것.
• 기존 인과 추론 알고리즘을 다양한 간섭을 가진 다수의 데이터셋을 처리할 수 있도록 확장하는 것.
• 맥락에 따라 특화된 조건부 통독성 관계를 활용하여 인과적 구조의 규명 가능성을 향상시키는 것.

제안 방법

• JCI는 조건부 통독성 제약 조건을 여러 맥락에서 위반할 경우를 방지하기 위해 손실 함수를 최적화하는 방식으로 인과 추론 문제를 구성한다.
• 손실 함수 $\mathcal{L}(\mathcal{G},S)$ 는 데이터로부터의 통계적 증거를 반영한 가중치를 사용하는 가중치가 부여된 손실 함수를 사용한다.
• 강한 의존성에 대응하는 ASD(Asking for Strong Dependencies) 점수를 사용하여 직접 간선이나 잠재적 혼란 변수와 같은 인과적 특징에 대한 신뢰도를 평가한다. 이는 하드 제약 조건 하에서 최적의 손실 값의 차이에 기반한다.
• 이 프레임워크는 완전한, 불완전한, 확률적인 간섭을 하나의 통합 모델에서 처리할 수 있으며, 간섭 유형을 사전 식별할 필요가 없다.
• 기존의 인과 추론 알고리즘을 서브루틴으로 활용하므로, 다양한 추론 방법에 쉽게 통합되고 모듈러하며 확장 가능하다.
• 표본 크기가 증가함에 따라 통계적으로 일관성이 보장되도록, p-값(예: $\lambda_j = \log p_j - \log \alpha$)에서 유도된 渐近 일관성 있는 가중치를 사용한다.

실험 결과

연구 질문

• RQ1 관찰 및 간섭 데이터를 다중 맥락에서 통합함으로써 인과적 구조를 더 신뢰성 있게 규명할 수 있는가?
• RQ2 JCI는 간섭 대상이나 유형에 대한 사전 지식이 없이 얼마나 잘 인과 효과를 규명할 수 있는가?
• RQ3 기존 인과 추론 방법에 비해 JCI는 규명 가능성과 정확도 측면에서 어떻게 향상되는가?
• RQ4 다양한 간섭 유형(예: 완전한 간섭 대비 확률적 간섭)이 JCI 프레임워크 내에서 인과 추론 성능에 어떤 영향을 미치는가?
• RQ5 JCI 프레임워크는 실제 생물학적 데이터, 예를 들어 유비세포 단백질 발현 데이터에 적용되어 성능 향상이 이루어지는가?

주요 결과

• JCI의 구현은 합성 데이터에서 최고 수준의 인과 추론 알고리즘을 크게 능가하며, 인과적 구조의 규명 가능성이 향상됨을 보여준다.
• 순수하게 관찰 데이터만으로 직접 원인관계와 혼란 변수를 구분할 수 없는 상황에서, JCI는 폭력적인 비디오 게임을 플레이하는 것과 공격적 행동 사이의 인과 방향을 성공적으로 규명한다.
• 유비세포 단백질 발현 데이터에서 JCI 기반 방법은 기준 방법보다 알려진 생물학적 신호 전달 경로를 더 정확하게 재구성한다.
• ASD 신뢰도 점수 방법은 오рак불 입력에 대해 타당하고 완전한 추론을 제공하며, 적절한 가중치 체계 하에서 渐近 일관성 있는 결과를 도출한다.
• 맥락에 특화된 조건부 통독성 제약 조건을 활용함으로써, 개별 데이터셋이 단독으로는 정보가 없더라도 인과 효과를 규명할 수 있다.
• 완전한 간섭뿐만 아니라 확률적 및 불완전한 간섭 유형에 대해서도 메서드는 강건하게 유지되며, 간섭 메커니즘에 대한 명시적 지식이 필요로 하지 않는다.