[論文レビュー] Causal Discovery from Subsampled Time Series Data by Constraint Optimization

Antti Hyttinen, Sergey Plis+3 more|PubMed|Feb 25, 2016

Bayesian Modeling and Causal Inference参考文献 21被引用数 13

ひとこと要約

本稿では、粗い時間スケールで観測された測定値から真のシステム時刻スケールの因果構造を同定するために、ブール制約ソルバーを用いた制約最適化フレームワークを提案する。従来の手法と比較して、数個のオーダーの高速化を達成し、有限標本データにおける統計的誤差に起因する矛盾を最適に解消することで、高頻度のサブサンプリング率であっても、頑健で非パrametricな因果構造推定が可能になる。

ABSTRACT

This paper focuses on causal structure estimation from time series data in which measurements are obtained at a coarser timescale than the causal timescale of the underlying system. Previous work has shown that such subsampling can lead to significant errors about the system's causal structure if not properly taken into account. In this paper, we first consider the search for the system timescale causal structures that correspond to a given measurement timescale structure. We provide a constraint satisfaction procedure whose computational performance is several orders of magnitude better than previous approaches. We then consider finite-sample data as input, and propose the first constraint optimization approach for recovering the system timescale causal structure. This algorithm optimally recovers from possible conflicts due to statistical errors. More generally, these advances allow for a robust and non-parametric estimation of system timescale causal structures from subsampled time series data.

研究の動機と目的

• 因果的ダイナミクスの時間スケールよりも粗い周波数でサンプリングされた時系列データから、真のシステム時刻スケールの因果構造を同定する課題に対処すること。
• 従来の手法がサブサンプリング効果を無視するか、制限的なパラメトリックモデルに依存するという限界を克服すること。
• 有限標本データを扱い、独立性検定における統計的誤差に起因する矛盾を解消できる、スケーラブルで非パrametricなアプローチを開発すること。
• 測定時刻スケールについて事前の知識が得られない状況や、変動するサブサンプリングレートが存在する状況でも、因果発見が可能になるようにすること。

提案手法

• 真の因果プロセスを、即時の（同時的な）効果を含まない1次マルコフ過程としてモデル化し、動的ベイジアンネットワーク構造で表現する。
• システム時刻スケールの因果構造を効率的に符号化するため、ロールドグラフ表現 $\mathcal{G}^1$ を用いる。ここで、辺 $V_i \rightarrow V_j$ は、完全な時系列における $V_i^{t-1} \rightarrow V_j^t$ を表す。
• 有限標本データに対して統計的条件付き独立性検定を適用し、測定時刻スケールにおける可能な因果構造の制約を生成する。
• 一般用途のブール制約ソルバー（例：Clingo）を用いて実装された制約最適化フレームワークにより、これらの制約を統合し、矛盾を最小化する最適な因果構造を同定する。
• 独立性検定結果の信頼性を符号化するために、一様重み付けと擬似ブール重み付けの2種類の重み付け方式を用い、後者の方が精度と計算効率の両方を向上させる。
• サブサンプリングレートが未知または変動する場合にも対応できるように、このアプローチを一般化し、制約充足プロセスにおいてレートをパラメータとして扱う。

実験結果

リサーチクエスチョン

• RQ1 因果的ダイナミクスの時間スケールよりも粗い周波数でサンプリングされた時系列データから、真のシステム時刻スケールの因果構造を正確に回復できるか？
• RQ2 有限標本データにおける統計的誤差に起因する独立性制約の矛盾を、どのように最適に解消できるか？
• RQ3 従来の制約ベース手法と比較して、サブサンプル時系列からの因果発見における計算効率を著しく向上できるか？
• RQ4 測定周波数について事前の知識が得られない状況において、この手法がどれほど一般化可能か？

主な発見

• 提案された制約最適化手法は、Plisら（2015b）の最先端手法と比較して、数個のオーダーの高速化を達成し、小さなネットワークでは、解決時間の10数分から数秒に短縮された。
• 一様重み付けに比べ、擬似ブール重み付けが精度と効率の両面で優れており、p値の閾値のさまざまな範囲で高い真正陽性率と低い偽陽性率を達成した。
• ノード数 $n=7$、サブサンプリングレート $u=2$ のネットワークにおいて、擬似ブール重み付けを用いることで、100回の実行を数秒で完了したが、一様重み付けでは10数分を要した。
• サンプルサイズを $N=500$ に増加させると、$N=200$ の場合に比べて実行時間が短縮された。これは、統計的検定がより少ない矛盾を生じさせるためである。
• 最適な独立性検定パラメータを用いることで、特に擬似ブール重み付けを用いることで、真のシステム時刻スケール構造 ${\cal{G}}^1$ を高い精度で回復できた。
• $N=1000$ のサンプルを用いて12ノードのグラフに対しても、合理的な時間内にグローバル最適解を同定でき、中程度のサイズのシステムに対しても実用的な妥当性を示した。