[논문 리뷰] RCD: Repetitive causal discovery of linear non-Gaussian acyclic models with latent confounders

Takashi Maeda, Shohei Shimizu|arXiv (Cornell University)|2020. 01. 13.

Bayesian Modeling and Causal Inference인용 수 10

한 줄 요약

이 논문은 잠재 공액인자를 탐지하기 위해 작은 변수 부분집합 간의 인과 관계를 반복적으로 추론하는 인과 기능 모델 기반 방법인 RCD를 제안한다. 공액인자를 나타내기 위해 이중화살표를 사용하고 직접적인 인과 효과를 위해 단방향 화살표를 사용함으로써, RCD는 잠재 공액인자가 존재하는 상황에서도 인과 그래프를 효과적으로 재구성한다. 이는 시뮬레이션된 데이터와 실제 데이터에서 검증되었다.

ABSTRACT

Causal discovery from data affected by latent confounders is an important and difficult challenge. Causal functional model-based approaches have not been used to present variables whose relationships are affected by latent confounders, while some constraint-based methods can present them. This paper proposes a causal functional model-based method called repetitive causal discovery (RCD) to discover the causal structure of observed variables affected by latent confounders. RCD repeats inferring the causal directions between a small number of observed variables and determines whether the relationships are affected by latent confounders. RCD finally produces a causal graph where a bi-directed arrow indicates the pair of variables that have the same latent confounders, and a directed arrow indicates the causal direction of a pair of variables that are not affected by the same latent confounder. The results of experimental validation using simulated data and real-world data confirmed that RCD is effective in identifying latent confounders and causal directions between observed variables.

연구 동기 및 목표

• 실제 데이터에서 흔히 발생하는 인과 관계를 왜곡시키는 잠재 공액인자가 존재하는 상황에서의 인과 발견 문제를 해결하기 위해.
• 기존 이 분야의 방법들이 가지는 한계인 잠재 공액인자를 다룰 수 있도록 인과 기능 모델 기반 접근법을 확장하기 위해.
• 관측된 변수 집합에서 인과 방향과 공유되는 잠재 공액인자를 동시에 식별할 수 있는 방법을 개발하기 위해.
• 관측되지 않은 공통 원인이 관측된 의존성에 영향을 미치는 상황에서 인과 그래프 재구성의 정확도를 향상시키기 위해.

제안 방법

• RCD는 관측된 변수의 작은 부분집합을 분석하여 인과 관계를 평가하고 잠재 공액인자를 탐지하기 위해 반복적 추론 전략을 사용한다.
• 비정규성과 선형성의 가정 하에, 인과 기능 모델을 사용하여 관측된 변수 쌍 간의 인과 방향을 추론한다.
• 직접적인 인과 관계만으로 설명할 수 없는 통계적 의존성을 탐지함으로써 공유되는 잠재 공액인자를 식별한다.
• 동일한 잠재 공액인자를 공유하는 변수 쌍에는 이중화살표를 할당하고, 공액인자에 영향을 받지 않는 직접적인 인과 효과는 단방향 화살표로 나타낸다.
• 다양한 변수 쌍 간의 국소적 추론을 집계하여 단방향 및 이중화살표 간선을 포함한 글로벌 인과 그래프를 구성한다.
• 조건부 독립성 검정과 비정규성 가정에 기반하여 직접적 인과관계와 공액인자 효과를 구분한다.

실험 결과

연구 질문

• RQ1 관측된 변수 간에 복잡한 의존성이 존재하는 상황에서, 인과 기능 모델 기반 방법이 잠재 공액인자를 효과적으로 탐지할 수 있는가?
• RQ2 관측된 데이터에서 관측되지 않은 변수에 대한 사전 지식 없이 인과 방향과 잠재 공액인자 구조를 동시에 추론할 수 있는가?
• RQ3 반복적 추론 전략은 단일 쌍 기반 방법에 비해 인과 그래프 재구성 정확도를 얼마나 향상시키는가?
• RQ4 제안된 방법은 실제 데이터 세트에서 잠재 공액인자로 인해 발생하는 위조 연관성과 직접적 인과 효과를 구분할 수 있는가?

주요 결과

• RCD는 직접적인 인과 관계로 설명할 수 없는 공통 의존성을 탐지함으로써 잠재 공액인자를 성공적으로 식별한다.
• 이중화살표가 동일한 잠재 공액인자에 영향을 받는 변수 쌍을 정확히 표현하는 인과 그래프를 생성한다.
• 기능 모델의 가정에 기반하여 공액인자를 공유하지 않는 변수 쌍에 대해 신뢰할 수 있는 인과 방향 추정을 달성한다.
• 시뮬레이션된 데이터에 대한 실험 검증을 통해 RCD가 잠재 공액인자 패턴을 포함한 기저 인과 구조를 정확히 복원함을 확인했다.
• 실제 데이터 실험에서 RCD는 관측되지 않은 공액인자가 존재하는 상황에서도 타당한 인과 그래프를 재구성하는 데 뛰어난 성능을 보였다.
• 반복적 추론 전략은 국소적 변수 관계에 집중한 후 글로벌 구조로 집계함으로써 탐지 정확도를 향상시킨다.