[論文レビュー] Causal Feature Learning for Utility-Maximizing Agents

David Kinney, David Watson|arXiv (Cornell University)|May 18, 2020

Bayesian Modeling and Causal Inference参考文献 17被引用数 7

ひとこと要約

本稿では、因果的特徴学習（CFL）の拡張として、エージェント固有の効用関数を粗粒度化プロセスに統合する、実用的因果的特徴学習（PCFL）を提案する。従来のCFLとは異なり、確率的同等性に依存するのではなく、期待効用を用いてマクロ変数の形成を誘導することで、実用的目標が細分化を要する場合や粗粒度化を要する場合に誤ったクラスタリングを回避する。

ABSTRACT

Discovering high-level causal relations from low-level data is an important and challenging problem that comes up frequently in the natural and social sciences. In a series of papers, Chalupka et al. (2015, 2016a, 2016b, 2017) develop a procedure for causal feature learning (CFL) in an effort to automate this task. We argue that CFL does not recommend coarsening in cases where pragmatic considerations rule in favor of it, and recommends coarsening in cases where pragmatic considerations rule against it. We propose a new technique, pragmatic causal feature learning (PCFL), which extends the original CFL algorithm in useful and intuitive ways. We show that PCFL has the same attractive measure-theoretic properties as the original CFL algorithm. We compare the performance of both methods through theoretical analysis and experiments.

研究の動機と目的

• マクロ変数の粗粒度化過程においてエージェントの実用的関心を考慮しない因果的特徴学習（CFL）の限界を是正すること。
• 実用的目標が考慮されない場合、CFLが誤った粗粒度化（過剰クラスタリングまたは過小クラスタリング）を生じることを示すこと。
• CFLの測度論的頑健性を保持しつつ、マクロ変数形成を期待効用最大化と整合させる、原理的かつ整合的な手法を開発すること。
• 新しい手法であるPCFLが、一般条件下でCFLと同様にLebesgue測度ゼロの性質を維持することを示すこと。これにより、パラメータの変動に対して頑健であることが保証される。

提案手法

• PCFLはCFLを拡張し、原因-効果ペアの価値を定量化する効用関数 $ u(c_k, e_i) $ を導入することで、効用に基づく粗粒度化意思決定を可能にする。
• この手法は、期待効用同等性に基づいて等価クラスを定義する、効用重み付き介入分布を通じて最適な粗粒度化を定義する。確率的区別不能性だけでなく、期待効用の同等性によっても等価クラスが決定される。
• 共変動要因 $ \boldsymbol{\beta}^* $、介入 $ \boldsymbol{i}^* $、事前重み $ \boldsymbol{\beta} $ の連合分布を導入し、特性関数 $ \theta $ を用いて、効用ベースと確率的粗粒度化が食い違う測度ゼロの集合を同定する。
• コアなメカニズムは、介入分布 $ E $ に関して、すべての効果 $ e_i $ において期待効用が等しいことによって定義される、修正された同値関係 $ c_j \sim_{\text{opc}} c_k $ である。これは、等しい介入確率ではなく、等しい期待効用に基づく。
• 理論的分析により、効用ベースと確率的粗粒度化が食い違うパラメータ設定の集合がLebesgue測度ゼロであることが証明され、元のCFLフレームワークの頑健性が保たれる。
• アルゴリズム的手順が提示され、$ \boldsymbol{i}^* $、$ \boldsymbol{β}^* $、$ \boldsymbol{γ} $ の反復的精錬を用いて、効用重み付き介入分布における同値クラスを求めるPCFLの粗粒度化を計算する。

実験結果

リサーチクエスチョン

• RQ1 粗粒度化プロセスにエージェント固有の効用関数を統合することで、因果的特徴学習を改善できるか？
• RQ2 標準的なCFLは、実用的配慮が欠如しているためにどのような状況で失敗し、その失敗はどのように体系的に是正できるか？
• RQ3 粗粒度化に効用を統合することで、元のCFL手法の測度論的頑健性が保持されるか？
• RQ4 代表的正確性と意思決定効用の観点から、効用ベースの粗粒度化と確率的粗粒度化はどのように比較できるか？
• RQ5 効用ベースと確率的粗粒度化が食い違うのはどのような条件下か？実際の状況ではそのようなケースはどれほど一般的か？

主な発見

• PCFLはCFLの2つの主な誤りを回避する：期待効用が異なる値を別個に保持すべきなのに誤ってクラスタリングしてしまうこと、および効用の観点から機能的に同等であるにもかかわらずクラスタリングされないこと。
• 効用ベースと確率的粗粒度化が食い違うパラメータ設定の集合はLebesgue測度ゼロであり、一般には無視できる程度である。
• 理論的枠組みにより、原因値の期待効用が、介入に対して不変であることは、かつそれが介入分布が等しい場合に限る。これは、病理的でない状況では確率的同等性と整合的であることを保証する。
• 実験により、PCFLは特に介入分布が同一でも期待効用に顕著な差がある状況において、エージェントの目的とより整合性のある粗粒度化を生成することが示された。
• PCFLはCFLと同様の数学的頑健性を維持しており、新しい効用重み付き同値関係のもとでも測度論的性質が保たれる。
• Okamotoの補題を用いた代数的証明により、効用ベースの制約が非自明である場合、その食い違い集合が測度ゼロであることが示され、このような例外が実用上無視できることが裏付けられた。