[논문 리뷰] Structure Learning of Linear Gaussian Structural Equation Models with Weak Edges

Marco F. Eigenmann, Preetam Nandy외 1명|arXiv (Cornell University)|2017. 07. 24.

Bayesian Modeling and Causal Inference인용 수 6

한 줄 요약

이 논문은 선형 가우시안 SEM에서 약한 간선으로 인해 표준 CPDAG에서 손실되는 간선 방향성을 유지하기 위해 새로운 그래픽 목표인 집계된 PDAG(APDAG)를 제안한다. 저자들은 강한 신뢰성 조건 하에서 여러 펜alty 파라미터에 걸쳐 GES 해를 집계하는 AGES 알고리즘을 도입하여 일致성과 시뮬레이션 및 Sachs 등(2005)의 단일세포 데이터에서 방향성 복구 향상을 입증한다.

ABSTRACT

We consider structure learning of linear Gaussian structural equation models with weak edges. Since the presence of weak edges can lead to a loss of edge orientations in the true underlying CPDAG, we define a new graphical object that can contain more edge orientations. We show that this object can be recovered from observational data under a type of strong faithfulness assumption. We present a new algorithm for this purpose, called aggregated greedy equivalence search (AGES), that aggregates the solution path of the greedy equivalence search (GES) algorithm for varying values of the penalty parameter. We prove consistency of AGES and demonstrate its performance in a simulation study and on single cell data from Sachs et al. (2005). The algorithm will be made available in the R-package pcalg.

연구 동기 및 목표

• 작은 표본 크기로 인해 약한 간선이 누락될 경우 표준 CPDAG가 간선 방향성을 상실하는 문제를 다룬다.
• 진정한 기저 DAG의 부분-DAG의 CPDAG를 집계함으로써 CPDAG보다 더 많은 간선 방향성을 유지할 수 있는 새로운 그래픽 목표인 APDAG를 제안한다.
• 새로운 강한 신뢰성 가정 하에서 관찰 데이터로부터 APDAG를 복구할 수 있는 일관된 알고리즘 AGES를 개발한다.
• 약한 간선이 존재하지만 탐지하기 어려운 경우, 표준 GES에 비해 더 나은 간선 방향성 유지 성능을 보여준다.
• 실제 단일세포 신호전달 데이터에 적용하여 생물학적으로 관련된 맥락에서 성능을 검증한다.

제안 방법

• 진정한 기저 DAG의 부분-DAG의 CPDAG를 집계하여 생성된 최대 방향성 PDAG로 APDAG를 정의한다.
• GES 알고리즘을 다양한 펜alty 파라미터로 실행하고 결과 해 경로를 집계하는 AGES 알고리즘을 도입한다.
• APDAG가 식별 가능한 조건으로, 부분-DAG의 시퀀스에 대한 δ-강한 신뢰성 조건을 설정한다.
• 기본으로 게리티브 동치성 탐색(GES) 알고리즘을 사용하며, 펜alty 파라미터를 변화시켜 다양한 모델 구조를 탐색한다.
• 해 경로 전반에 걸쳐 일관되게 나타나는 방향성에 가중치를 두어 최종 APDAG를 구성한다.
• 제안된 신뢰성 조건 하에서 AGES의 일관성을 증명하며, 표본 크기가 증가함에 따라 진짜 APDAG로 수렴함을 보여준다.

실험 결과

연구 질문

• RQ1 약한 간선이 표본 크기가 작아서 누락될 경우, 구조 학습 과정에서 간선 방향성을 유지할 수 있는가?
• RQ2 관찰 데이터로부터 식별 가능한 그래픽 객체로서 표준 CPDAG보다 더 많은 간선 방향성을 표현할 수 있는가?
• RQ3 합리적인 신뢰성 가정 하에서 그러한 목표 객체를 복구할 수 있는 일관된 알고리즘을 개발할 수 있는가?
• RQ4 GES의 펜alty 파라미터에 따른 해를 집계하는 것이 표준 GES에 비해 방향성 복구 성능을 향상시키는가?
• RQ5 약한 상호작용과 복잡한 의존성을 가진 실제 생물학적 데이터에서 제안된 방법의 성능은 어떠한가?

주요 결과

• AGES는 특히 약한 간선이 존재하는 설정에서 표준 GES보다 더 높은 비율의 정확한 간선 방향성을 일관되게 복구한다.
• APDAG는 CPDAG보다 더 많은 간선 방향성을 포함할 수 있으며, 약한 간선이 생략될 경우 손실되는 정보를 유지한다.
• 오라클 AGES는 시뮬레이션 전반에서 높은 비율의 정확한 부분-CPDAG를 복구하며, 희박한 그래프와 더 많은 약한 간선이 존재하는 설정에서 성능이 향상된다.
• APDAG에서 정확히 복구된 간선 방향성 비율은 특히 중간에서 높은 약한 간선 밀도가 존재하는 설정에서 표준 CPDAG 출력에 비해 유의미하게 높다.
• Sachs 등(2005)의 단일세포 데이터 응용에서, AGES는 특히 약한 조절 효과가 존재할 경우 GES보다 더 생물학적으로 타당한 방향성을 복구한다.
• δ-강한 신뢰성 가정은 고전적 δ-강한 신뢰성보다 훨씬 약하며, 특히 희박한 그래프와 약한 간선이 존재하는 경우에 더 자주 만족된다.