[논문 리뷰] Local Constraint-Based Causal Discovery under Selection Bias

Philip Versteeg, Cheng Zhang외 1명|arXiv (Cornell University)|2022. 03. 03.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 선택 편향 하에서 원인 관계를 규명하기 위해 局소 제약 기반 방법을 제안하며, Y-구조 패턴을 활용해 편향된 표본 추출에도 불구하고 원인 관계를 식별한다. 유한 표본 스코링 규칙을 도입하여 시뮬레이션과 실제 마이크로어레이 데이터에서 원인 추론 성능을 햖थ하며, 선택 편향으로 인한 잘못된 상관관계를 효과적으로 감소시킨다.

ABSTRACT

We consider the problem of discovering causal relations from independence constraints selection bias in addition to confounding is present. While the seminal FCI algorithm is sound and complete in this setup, no criterion for the causal interpretation of its output under selection bias is presently known. We focus instead on local patterns of independence relations, where we find no sound method for only three variable that can include background knowledge. Y-Structure patterns are shown to be sound in predicting causal relations from data under selection bias, where cycles may be present. We introduce a finite-sample scoring rule for Y-Structures that is shown to successfully predict causal relations in simulation experiments that include selection mechanisms. On real-world microarray data, we show that a Y-Structure variant performs well across different datasets, potentially circumventing spurious correlations due to selection bias.

연구 동기 및 목표

• 관찰 데이터에서 독립 관계가 왜곡되는 선택 편향이 존재하는 상황에서 원인 규명 문제를 다루기 위해.
• 기본 알고리즘인 FCI가 선택 편향 하에서 해석이 어려운 경우, 타당하고 실용적인 원인 구조 추론 방법을 개발하기 위해.
• 특히 사이클이나 잠재적 혼란 요인 존재 시에도 원인 방향을 추론할 수 있도록 국소 패턴(특히 Y-구조)을 활용하기 위해.
• 유한 표본 환경에서 원인 추론 정확도를 향상시키기 위해 Y-구조에 대한 유한 표본 스코링 규칙을 도입하기 위해.
• 선택 메커니즘이 있는 시뮬레이션 데이터와 실제 마이크로어레이 데이터셋에서의 성능 평가를 위해.

제안 방법

• 이 방법은 특히 선택 편향 하에서 원인 추론에 타당한 Y-구조 구성과 같은 국소적 조건부 독립 패턴에 초점을 맞춘다.
• 데이터에서 관측된 독립 관계의 빈도에 기반해 Y-구조에 대한 유한 표본 스코링 규칙을 도입한다.
• 조건부 독립 검정을 사용해 Y-구조 패턴을 탐지하며, 이는 두 개의 공통 원인이 공통 영향을 미치는 경우를 의미한다. 이들의 통계적 유의성을 평가한다.
• 잠재적 원인 구조에 대한 배경 지식을 통합하여 예측을 정밀화하고 거짓 양성률을 줄인다.
• 후보 원인 구조를 스코링 규칙을 적용해 순위를 매기며, 선택 편향 하에서 더 강한 Y-구조 증거를 가진 것을 선호한다.
• 알려진 선택 메커니즘을 가진 시뮬레이션 실험과 실제 마이크로어레이 데이터를 사용해 방법의 강인성과 예측 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 선택 편향 하에서도 사이클이나 잠재적 혼란 요인이 존재할 경우 Y-구조 패턴을 신뢰할 만하게 원인 방향을 추론하는 데 사용될 수 있는가?
• RQ2 선택 편향 하에서 기존 제약 기반 방법과 비교해 제안된 Y-구조에 대한 유한 표본 스코링 규칙은 원인 규명에 어떻게 향상되는가?
• RQ3 실제 생물학적 데이터셋에서 선택 편향으로 인한 잘못된 상관관계를 어느 정도 감소시킬 수 있는가?
• RQ4 유한 표본 환경에서 배경 지식과 결합했을 때 이 방법은 얼마나 잘 작동하는가?
• RQ5 선택 편향 하에서 FCI와 같은 기존 알고리즘에 비해 원인 정확도 측면에서 이 방법이 승리할 수 있는가?

주요 결과

• Y-구조 패턴은 사이클이 존재하더라도 선택 편향 하에서 원인 추론에 타당한 기반을 제공함을 입증하였다.
• 선택 메커니즘이 있는 시뮬레이션 실험에서 Y-구조에 대한 유한 표본 스코링 규칙이 원인 추론 정확도를 성공적으로 향상시켰다.
• 실제 마이크로어레이 데이터에서 Y-구조 변형은 베이스라인 방법보다 뛰어난 성능을 보이며, 선택 편향에 대한 강인성과 더 낮은 잘못된 상관관계를 보였다.
• 이 방법은 데이터 제한 환경에서 원인 구조 예측의 신뢰성을 높이기 위해 배경 지식을 효과적으로 활용하였다.
• FCI의 출력이 알려진 원인 해석을 갖지 못하는 선택 편향 하에서 원인 규명에 실용적인 대안을 제공하였다.
• 실험 결과로는 복잡한 선택 과정을 겪는 데이터에서도 진짜 원인 관계를 식별하는 데 높은 정밀도를 유지하는 것으로 나타났다.