[논문 리뷰] Simplifying Probabilistic Expressions in Causal Inference

Santtu Tikka, Juha Karvanen|arXiv (Cornell University)|2018. 06. 19.

Bayesian Modeling and Causal Inference참고 문헌 17인용 수 6

한 줄 요약

이 논문은 인과 추론에서 발생하는 확률적 표현에서 불필요한 변수들을 제거하기 위해 d-분리와 그래픽 모델 구조를 활용하는 기호적 간소화 알고리즘을 제시한다. 이 방법은 do-계산법이나 식별성 알고리즘을 통해 유도된 조작 분포를 단순화하여 계산 부담을 줄이고, 누락된 데이터 또는 측정 오차에 대한 강건성을 향상시키며, R 패키지 causaleffect에 통합되어 있다.

ABSTRACT

Obtaining a non-parametric expression for an interventional distribution is one of the most fundamental tasks in causal inference. Such an expression can be obtained for an identifiable causal effect by an algorithm or by manual application of do-calculus. Often we are left with a complicated expression which can lead to biased or inefficient estimates when missing data or measurement errors are involved. We present an automatic simplification algorithm that seeks to eliminate symbolically unnecessary variables from these expressions by taking advantage of the structure of the underlying graphical model. Our method is applicable to all causal effect formulas and is readily available in the R package causaleffect.

연구 동기 및 목표

• 인과 추론 알고리즘에서 발생하는 과도하게 복잡한 확률적 표현 문제를 다루기 위해, 이는 이해 및 추정을 어렵게 한다.
• 조작 효과 표현에서 관련 없는 변수들을 기호적으로 제거하여 계산 복잡도를 낮추고, 누락된 데이터 또는 측정 오차에 대한 강건성을 향상시킨다.
• 그래픽 모델에서 유도된 모든 식별 가능한 인과 효과 공식에 적용 가능한 일반적인 간소화 방법을 개발한다.
• 기존 인과 추론 파이프라인에 원활하게 통합될 수 있는 자동화되고 타당하며 완전한 간소화 절차를 제공한다.

제안 방법

• 이 방법은 기저의 DAG에서 조건부 독립성을 식별하기 위해 d-분리 기준을 사용하여 확률적 표현에서 변수들을 기호적으로 제거할 수 있다.
• 마르코프 경계를 기반으로 제거 가능하거나 독립적으로 인수 분해 가능한 변수들을 식별하기 위해 단순화 집합(M⁻ 및 M⁺)을 정의한다.
• 변수들의 순서를 재정렬하고 M⁻ 및 M⁺에 해당하는 항을 제거하여 공동 분포의 새로운 인수 분해를 구성함으로써 원래 표현과 동치임을 보장한다.
• 조건부 독립성을 활용하여 변수들을 제거하기 위해 재귀적 절차를 적용하며, 동적 재정렬을 적용한 표준 인수 분해 알고리즘의 수정 버전을 사용한다.
• 이 방법은 곱과 합의 형태로 표현된 확률적 표현을 대상으로 작동하는 타당하고 완전한 간소화 알고리즘으로 구현되어 있다.
• 이 방법은 R 패키지 causaleffect에 통합되어 있어 인과 효과 질의의 자동 간소화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 do-계산법이나 식별성 알고리즘에서 유도된 복잡한 인과 추론 확률적 표현을 자동으로 단순화할 수 있는가?
• RQ2 인과 표현에서 어떤 변수들이 마르코프 경계에 조건부 독립일 경우에 해당하는 분포 결과에 영향을 주지 않고 기호적으로 제거할 수 있는가?
• RQ3 DAG의 구조를 어떻게 활용하여 조작 분포에서 중복 변수들을 식별하고 제거할 수 있는가?
• RQ4 간소화가 누락된 데이터 또는 측정 오차 상황에서 인과 효과 추정의 강건성 향상에 기여하는가?
• RQ5 그래픽 모델 성질을 활용하여 임의의 인과 효과 표현을 간소화하는 일반적이고 타당하며 완전한 알고리즘이 존재하는가?

주요 결과

• 제안된 간소화 알고리즘은 마르코프 경계에 조건부 독립인 변수들을 제거하여 복잡한 조작 분포 표현을 더 단순하고 동치인 형태로 줄이는 데 성공했다.
• 예시를 통해 심지어 12개 항으로 이루어진 표현이 P(Z₁|Z₂,X)P(Z₂)∑X P(Y|Z₂,X,Z₃,Z₁)P(Z₃|Z₂,X)P(X|Z₂)로 4개 항으로 단순화된 바가 있음을 입증하였다.
• 간소화로 인해 추정을 위해 필요한 합산 및 적분의 차원이 감소하여 계산 효율성이 향상된다.
• 알고리즘은 타당하고 완전하여 주어진 그래픽 모델 구조 하에서 가능한 최대 간소화를 항상 찾는다.
• 누락된 데이터나 측정 오차로 인해 문제가 발생하기 쉬운 변수들을 제거함으로써 강건성이 향상된다.
• R 패키지 causaleffect에의 통합을 통해 수동 유도 없이도 인과 효과 질의의 종단 간소화를 가능하게 한다.