[논문 리뷰] Representation of Context-Specific Causal Models with Observational and Interventional Data

Eliana Duarte, Liam Solus|arXiv (Cornell University)|2021. 01. 22.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 구조적 단계 트리의 특수한 하위류인 CStrees를 소개한다. CStrees는 특정 조건에서만 성립하는 조건부 이상성 관계를 표현하기 위해 구조화된 방식으로 단계 트리 모델을 활용하며, 이는 맥락에 특화된 인과적 관계를 압축된 DAG 기반 그래픽 표현으로 가능하게 한다. 주요 기여는 관찰적 및 간섭적 설정으로 확장된 모델 동치성에 대한 전역 마르코프 성질과 그래픽 기준을 제시한 것으로, 이는 맥락에 특화된 모델 가족 중에서 간섭적 모델 동치성에 대한 완전한 특성화를 제공하는 최초의 사례이다.

ABSTRACT

We address the problem of representing context-specific causal models based on both observational and experimental data collected under general (e.g. hard or soft) interventions by introducing a new family of context-specific conditional independence models called CStrees. This family is defined via a novel factorization criterion that allows for a generalization of the factorization property defining general interventional DAG models. We derive a graphical characterization of model equivalence for observational CStrees that extends the Verma and Pearl criterion for DAGs. This characterization is then extended to CStree models under general, context-specific interventions. To obtain these results, we formalize a notion of context-specific intervention that can be incorporated into concise graphical representations of CStree models. We relate CStrees to other context-specific models, showing that the families of DAGs, CStrees, labeled DAGs and staged trees form a strict chain of inclusions. We end with an application of interventional CStree models to a real data set, revealing the context-specific nature of the data dependence structure and the soft, interventional perturbations.

연구 동기 및 목표

• 표준 DAG가 특정 조건에서만 성립하는 맥락에 특화된 조건부 이상성 관계를 표현하는 데에 한계가 있다는 점을 해결하기 위해.
• DAG의 해석 가능성은 유지하면서 베이지안 다중넷보다 더 풍부한 맥락에 특화된 조건부 이상성 구조를 포괄할 수 있는 모델 클래스를 개발하기 위해.
• 관찰적 및 간섭적 설정 모두에서 모델 동치성에 대한 전역 마르코프 성질과 그래픽 기준을 제공하기 위해.
• 모델 선택을 위한 폐쇄형 최대우도 추정기와 BIC 점수의 국소 일致성 증명을 위한 것이며.
• 이를 통해 CStrees가 일반 단계 트리와 CEG에 비해 압축적이고 해석 가능하며 통계적으로 일관된 대안을 제공함을 보여주기 위해.

제안 방법

• 맥락에 특화된 이상성 관계를 조건 변수의 맥락마다 하나의 DAG를 사용해 표현하는 CStrees를 정의하며, 이는 단계 트리 모델의 적절한 하위류이다.
• CStrees가 전역 마르코프 성질을 만족하며, 표준 DAG의 d-분리 기준을 맥락에 특화된 설정으로 일반화함을 증명한다.
• 시퀀스에 포함된 맥락에 특화된 DAG 간의 스켈레톤과 v-구조를 비교하여 모델 동치성에 대한 그래픽 기준을 수립한다.
• 간섭이 맥락에 특화된 DAG와 그 구조적 불변량에 미치는 영향을 분석함으로써 모델 동치성 기준을 간섭 모델로 확장한다.
• 맥락에 특화된 확률 매개변수에 기반한 CStrees의 폐쇄형 최대우도 추정기를 유도한다.
• BIC 점수가 점점 진짜 모델 구조를 선호함을 보여줌으로써, CStrees에 대해 국소 일치성을 증명한다.

실험 결과

연구 질문

• RQ1 특정 조건에서만 성립하는 맥락에 특화된 조건부 이상성 관계를 압축적이고 해석 가능한 DAG 방식으로 표현할 수 있는가?
• RQ2 표준 DAG의 d-분리 기준을 일반화한 맥락에 특화된 인과 모델에 대해 전역 마르코프 성질이 존재하는가?
• RQ3 맥락에 특화된 모델에서 간섭 데이터에 대해 모델 동치성에 대한 그래픽 기준을 설정할 수 있는가?
• RQ4 BIC 점수는 CStrees에 대해 국소 일치하는 점수 함수인가? 이는 신뢰할 수 있는 모델 선택을 가능하게 하는가?
• RQ5 실제 및 시뮬레이션 데이터에서 CStrees의 예측 성능은 일반 단계 트리와 비교해 어떻게 되는가?

주요 결과

• CStrees는 각 맥락이 별개의 DAG에 해당하며 맥락에 특화된 의존성을 포괄하는, 압축적이고 DAG 기반의 맥락에 특화된 인과 모델 표현을 제공한다.
• CStrees의 전역 마르코프 성질은 DAG의 d-분리 기준을 일반화하여, 맥락에 특화된 설정에서 조건부 이상성의 그래픽적 특성화를 가능하게 한다.
• CStrees의 모델 동치성은 모든 맥락에 특화된 DAG 간에 동일한 스켈레톤과 v-구조를 갖는 것으로 특징지어지며, 이는 버마와 펄의 기준을 맥락에 특화된 모델로 확장한 것이다.
• 간섭 모델 동치성 기준은 간섭 하에서 맥락에 특화된 DAG를 비교함으로써 완전히 특징지어지며, 이는 맥락에 특화된 모델 가족 중에서 처음으로 그러한 특징화를 제공하는 것이다.
• CStrees에 대해 폐쇄형 최대우도 추정기를 도출하여 관찰 및 간섭 데이터로부터 효율적인 매개변수 추정이 가능해졌다.
• BIC 점수가 CStrees에 대해 국소 일치성을 증명하여, 일반 단계 트리에 비해 예측 정확도 손실 없이 점수 기반 인과 발견 알고리즘에서 활용 가능함을 입증하였다.