[論文レビュー] Causal discovery of linear acyclic models with arbitrary distributions

Patrik O. Hoyer, Aapo Hyvärinen+5 more|arXiv (Cornell University)|Jun 13, 2012

Blind Source Separation Techniques参考文献 10被引用数 55

ひとこと要約

本稿では、任意の分布を伴う線形非巡回モデルにおける因果発見のためのハイブリッド手法を提案する。条件付き独立性検定と独立成分分析（ICA）を組み合わせることで、従来の手法の限界を克服し、データにガウス成分を含んでも正しい因果構造を同定可能である。モデル同値の正確なグラフィカルな条件を導出し、多様な分布的設定において優れた性能を示す。

ABSTRACT

An important task in data analysis is the discovery of causal relationships between observed variables. For continuous-valued data, linear acyclic causal models are commonly used to model the data-generating process, and the inference of such models is a well-studied problem. However, existing methods have significant limitations. Methods based on conditional independencies (Spirtes et al. 1993; Pearl 2000) cannot distinguish between independence-equivalent models, whereas approaches purely based on Independent Component Analysis (Shimizu et al. 2006) are inapplicable to data which is partially Gaussian. In this paper, we generalize and combine the two approaches, to yield a method able to learn the model structure in many cases for which the previous methods provide answers that are either incorrect or are not as informative as possible. We give exact graphical conditions for when two distinct models represent the same family of distributions, and empirically demonstrate the power of our method through thorough simulations.

研究の動機と目的

• データにガウス成分が含まれる場合に、従来の因果発見手法が失敗または曖昧な結果を生じるという限界を解消すること。
• 条件付き独立性検定とICAを統合した包括的なフレームワークを構築し、より頑健な因果構造学習を実現すること。
• 2つの異なる因果モデルが同じ分布族を表す場合の正確なグラフィカルな条件を導出すること。
• 広範な分布的仮定とデータタイプにわたり、手法の有効性を実証的に検証すること。

提案手法

• 本手法は、制約に基づく条件付き独立性検定と独立成分分析（ICA）を組み合わせ、線形非巡回モデルにおける潜在的因果構造を同定する。
• ICAを用いて非ガウス誤差成分を同定し、その非ガウス性を活用して因果グラフのエッジ方向を特定する。
• 条件付き独立性検定を用いてd-分離関係を同定し、因果グラフのマルコフ同値クラスを特定する。
• 非ガウス誤差分布の非対称性を活用して、マルコフ同値モデルを区別する。
• 同じ分布族において2つの異なる因果モデルが統計的に区別不能となる条件を特定するためのグラフィカル基準を導入する。
• アルゴリズムは、まず条件付き独立性に基づいて部分的に方向が定義されたグラフを学習し、次にICAに基づく制約を用いてエッジ方向を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 誤差分布が任意（ガウス成分を含む混合分布を含む）である場合に、因果発見手法が線形非巡回モデルの構造を信頼性高く学習できるか。
• RQ2 与えられた分布族に対して、2つの異なる因果モデルがいつ統計的に区別不能となるか。
• RQ3 条件付き独立性検定とICAをどのように統合することで、単独で用いる場合の限界を超えて因果構造学習を改善できるか。
• RQ4 提案手法は、既存手法に比べて、因果発見の正確性と完全性の面でどの程度優れているか。

主な発見

• ICA中心の手法がガウス成分のため失敗する状況でも、本手法は正しい因果構造を同定できることを確認した。
• 特にマルコフ同値モデルの区別において、制約ベース手法に比べて高い正確性を達成した。
• 2つのモデルが分布的に同値となる条件を正確にグラフィカルに導出し、モデル同定の理論的基盤を提供した。
• シミュレーションにより、多様な分布的設定において、本手法が既存手法を著しく上回ることを示した。
• 混合ガウスおよび非ガウス誤差分布に対して頑健であるため、実世界のデータにおいても信頼性の高い因果発見が可能である。