[논문 리뷰] Lifted Representation of Relational Causal Models Revisited: Implications for Reasoning and Structure Learning

Sanghack Lee, Vasant Honavar|arXiv (Cornell University)|2015. 08. 10.

Bayesian Modeling and Causal Inference참고 문헌 17인용 수 3

한 줄 요약

이 논문은 관계적 인과 모델(RCM)에서의 추상적 기저 그래프(AGG) 표현을 재검토하며, 원래 정의에 존재하는 결함이 관계적 d-분리에 대한 정확성과 완전성을 해칠 수 있음을 밝힌다. 저자들은 AGG를 수정하여 모든 기저 그래프를 적절히 추상화하도록 개선하고, AGG의 불완전성에도 불구하고 신뢰할 수 있는 인과적 구조 학습을 가능하게 하는 더 약한 충실성 조건—접근성 충실성과 방향성 충실성—을 제안함으로써 추론 및 학습 알고리즘의 타당성을 확보한다.

ABSTRACT

Maier et al. (2010) introduced the relational causal model (RCM) for representing and inferring causal relationships in relational data. A lifted representation, called abstract ground graph (AGG), plays a central role in reasoning with and learning of RCM. The correctness of the algorithm proposed by Maier et al. (2013a) for learning RCM from data relies on the soundness and completeness of AGG for relational d-separation to reduce the learning of an RCM to learning of an AGG. We revisit the definition of AGG and show that AGG, as defined in Maier et al. (2013b), does not correctly abstract all ground graphs. We revise the definition of AGG to ensure that it correctly abstracts all ground graphs. We further show that AGG representation is not complete for relational d-separation, that is, there can exist conditional independence relations in an RCM that are not entailed by AGG. A careful examination of the relationship between the lack of completeness of AGG for relational d-separation and faithfulness conditions suggests that weaker notions of completeness, namely adjacency faithfulness and orientation faithfulness between an RCM and its AGG, can be used to learn an RCM from data.

연구 동기 및 목표

• 관계적 인과 모델(RCM)에서 모든 기저 그래프를 정확히 추상화하지 못하게 하는 원래 추상적 기저 그래프(AGG) 정의의 결함을 규명하고 수정하는 것.
• 원래 AGG 표현이 관계적 d-분리에 대해 불완전하다는 것을 입증하여, RCM 내에서 유효한 조건부 독립 관계를 놓칠 수 있음을 보여주는 것.
• 정확성과 타당성을 회복하고 RCM 내에서 추론 및 구조 학습을 가능하게 하기 위해 수정된 정의와 조건을 제안하는 것.
• AGG와 RCM 간의 더 약한 충실성 개념—접근성 충실성과 방향성 충실성—을 탐색하여, AGG가 불완전할 경우에도 데이터로부터 신뢰할 수 있는 인과 발견을 지원하는 것.
• RCD 및 시간적 RCD와 같은 인과적 구조 학습 알고리즘의 정확성과 완전성을 보장하기 위해, 타당한 AGG 표현에 기반한 알고리즘 설계를 확보하는 것.

제안 방법

• 공동 교차 가능성 제약 조건을 통합하고 교차 가능한 실체를 적절히 다루는 방식으로 AGG 정의를 재구성하여, 모든 기저 그래프를 정확히 추상화할 수 있도록 보장하는 것.
• 공동 교차 가능성 개념을 도입하고 형식화하여 AGG 내에서 공통 속성 교차를 정확히 모델링하고, 잘못된 간선 생성을 방지하는 것.
• AGG가 관계적 d-분리에 대해 어떤 한계를 지닌다는 것을 정의하고 분석하여, 원래 RCM 내에 존재하는 일부 조건부 독립 관계가 AGG에 의해 함의되지 않을 수 있음을 보여주는 것.
• 표준 충실성의 약한 대안으로서 접근성 충실성과 방향성 충실성을 제안하고, AGG가 불완전할 경우에도 인과적 구조 학습이 가능하도록 하는 것.
• d-분리와 기수 제약 조건에 기반한 형식적 증명을 사용하여, 일부 조건부 독립 관계가 원래 AGG에 의해 포괄되지 않음을 입증하고, 수정된 정의의 필요성을 검증하는 것.
• 수정된 AGG와 충실성 조건을 관계적 인과 발견(RCD) 알고리즘에 적용하여, 관계적 데이터로부터 인과적 구조를 학습할 때 정확성과 완전성을 보장하는 것.

실험 결과

연구 질문

• RQ1 원래 AGG 정의는 관계적 인과 모델 내 모든 기저 그래프를 정확히 추상화하는가?
• RQ2 AGG 표현은 관계적 d-분리에 대해 완전한가, 아니면 RCM 내에서 AGG가 함의하지 못하는 조건부 독립 관계가 존재하는가?
• RQ3 AGG가 불완전할 경우에도 신뢰할 수 있는 인과적 구조 학습을 지원하기 위해 표준 충실성 대신 접근성 충실성과 방향성 충실성과 같은 더 약한 충실성 개념을 사용할 수 있는가?
• RQ4 기수 제약 조건과 속성 교차는 AGG가 관계적 d-분리를 올바르게 표현하는 데 어떤 영향을 미치는가?
• RQ5 RCM에서 추론과 학습의 타당성과 완전성을 보장하기 위해 AGG 정의에 어떤 수정이 필요한가?

주요 결과

• 원래 AGG 정의는 공통 교차 가능성 검사를 생략함으로써 모든 기저 그래프를 정확히 추상화하지 못해, 추상 표현에서 잘못된 간선 생성을 유도한다.
• AGG 표현은 관계적 d-분리에 대해 완전하지 않으며, RCM 내에 존재하는 일부 조건부 독립 관계가 AGG에 의해 함의되지 않아, 타당한 추론에 사용될 수 없다.
• 공동 교차 가능성과 속성 교차의 적절한 처리를 통합한 수정된 AGG 정의를 제안하여, 모든 기저 그래프를 정확히 추상화할 수 있도록 보장한다.
• 형식적 증명을 통해 특정 기수 제약 조건(예: 'one' 기수) 하에서, P.X와 S'.Z가 Q.Y에 의해 d-분리되는 기저 그래프에 대해 해당 스킴터와 베이스가 존재하지 않음을 보여주며, 이는 AGG가 의존성을 암시하지만 실제로는 독립임을 의미한다.
• 이러한 반례의 존재는 AGG가 모든 d-분리 관계를 포괄할 수 없음을 확인하고, 학습을 위해 더 약한 충실성 가정이 필요함을 입증한다.
• 접근성 충실성과 방향성 충실성이 표준 충실성의 타당한 대체 조건으로 확인되어, AGG가 불완전할 경우에도 안정적인 인과적 구조 학습이 가능함을 보여준다.