[논문 리뷰] Revisiting the General Identifiability Problem

Yaroslav Kivva, Ehsan Mokhtarian외 2명|arXiv (Cornell University)|2022. 06. 02.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 인과적 추론에서 일반 식별 가능성(gID) 문제를 재검토하며, Lee 등(2019)이 제시한 원래 정의가 관측 분포에 대해 정규성 가정이 없이 타당하지 않음을 밝힌다. 저자들은 정규성 조건을 포함한 개선된 정의를 제안하고, gID를 고전적 식별 가능성 문제로 환원하는 새로운 타당하고 완전한 알고리즘을 제안하며, 이 조건 하에서 일반 식별 가능성과 고전적 식별 가능성 간의 공식적 연결을 수립한다.

ABSTRACT

We revisit the problem of general identifiability originally introduced in [Lee et al., 2019] for causal inference and note that it is necessary to add positivity assumption of observational distribution to the original definition of the problem. We show that without such an assumption the rules of do-calculus and consequently the proposed algorithm in [Lee et al., 2019] are not sound. Moreover, adding the assumption will cause the completeness proof in [Lee et al., 2019] to fail. Under positivity assumption, we present a new algorithm that is provably both sound and complete. A nice property of this new algorithm is that it establishes a connection between general identifiability and classical identifiability by Pearl [1995] through decomposing the general identifiability problem into a series of classical identifiability sub-problems.

연구 동기 및 목표

• Lee 등(2019)이 제시한 원래 일반 식별 가능성(gID) 문제 정의에서 관측 분포에 대한 정규성 가정이 없을 경우의 심각한 결함을 규명하는 것.
• 정규성 조건이 없을 경우 do-계산 기반 방법과 원래 gID 알고리즘이 잘못된 식별 가능성 선언을 내릴 수 있으므로, 이들이 타당하지 않음을 보여주는 것.
• 정규성 조건을 추가하면 원래 gID 연구에서 사용된 완전성 증명 기법이 무효화됨을 보여주며, 새로운 증명 접근이 필요함을 밝히는 것.
• 정규성 조건 하에서 gID에 대해 타당하고 완전한 새로운 알고리즘을 개발하는 것.
• 정규성 조건 하에서 gID를 연속적인 고전적 ID 문제로 환원함으로써 일반 식별 가능성과 고전적 식별 가능성 간의 공식적 연결을 수립하는 것.

제안 방법

• 관측 변수의 모든 실현값 v에 대해 P(v) > 0임을 명시적으로 추가함으로써 gID 문제를 재정의한다.
• 알고리즘 2를 제안하며, 이는 gID 문제를 고전적 식별 가능성 부분 문제의 순서로 분해하는 방법이다.
• 일반 그래프에서 시작하여 특정 변수와 미관측 혼란 요인에 초점을 맞추어 크기를 점진적으로 줄이는 재귀적 환원 기법을 사용한다.
• 동일한 간섭 분포를 가진 두 개의 반례 모델(M₁ 및 M₂)을 구성하여, 목표 변수의 간섭 분포가 다를 수 있음을 증명한다.
• 인과 그래프의 구조와 조건부 확률 분포를 활용하여, 관측 분포의 정규성이 모델 간 구별에 필수적임을 보여준다.
• 정규성 조건이 성립할 경우에만 알고리즘이 타당하고 완전함을 보여줌으로써, 새로운 알고리즘의 타당성과 완전성을 증명한다.

실험 결과

연구 질문

• RQ1 Lee 등(2019)이 제시한 원래 gID 정의는 관측 분포에 대해 정규성 가정이 없을 경우 타당한가?
• RQ2 관측 분포가 정규성이 없을 경우 do-계산 기반 방법을 gID 문제에 신뢰성 있게 적용할 수 있는가?
• RQ3 gID 정의에 정규성 조건을 추가하면 원래 알고리즘의 완전성 유지가 가능한가?
• RQ4 정규성 조건 하에서 일반 식별 가능성은 연속적인 고전적 식별 가능성 문제로 환원될 수 있는가?
• RQ5 인과적 추론에서 일반 식별 가능성과 고전적 식별 가능성 간의 구조적 관계는 무엇인가?

주요 결과

• 원래 gID 알고리즘은 정규성 조건이 없을 경우 타당하지 않으며, 관측 데이터로부터 유일하게 계산할 수 없는 인과 효과를 잘못 식별할 수 있다.
• 모든 v에 대해 P(v) > 0임을 보장하는 정규성 조건은 gID 환경에서 do-계산 기반 방법의 타당성에 필수적이다.
• 정규성 조건을 추가하면 원래 gID 연구에서 사용된 완전성 증명 기법이 무효화되며, 이는 확률이 0인 구성이 포함된 모델에 의존했기 때문이다.
• 제안된 알고리즘 2는 정규성 조건 하에서 gID에 대해 타당하고 완전하며, 인과 효과의 정확한 식별을 보장한다.
• 새로운 알고리즘은 gID를 연속적인 고전적 ID 문제로 분해함으로써 일반 식별 가능성과 고전적 식별 가능성 간의 공식적 연결을 수립한다.
• 두 노드로의 재귀적 환원을 통한 반례 구성은, 정규성이 없을 경우 동일한 간섭 분포를 가진 두 모델이 목표 변수의 간섭 분포에서 다를 수 있음을 증명한다.