[논문 리뷰] Characterizing and Learning Equivalence Classes of Causal DAGs under Interventions

Karren Yang, Abigail Katcoff외 1명|arXiv (Cornell University)|2018. 02. 17.

Bayesian Modeling and Causal Inference참고 문헌 32인용 수 22

한 줄 요약

이 논문은 일반(비완전) 간섭 조건 하에서 인과적 DAG의 간섭 Markov 동치 클래스(I-MECs)를 학습하는 최초의 증명 가능하게 일致하는 알고리즘을 제안한다. 소프트 간섭 하에서 d-분리 및 조건부 인독립성을 이용해 I-MECs를 특성화하며, 이러한 간섭 조건이 완전 간섭과 유사한 식별 능력을 제공함을 보여주어 관찰 데이터와 비완전 간섭 데이터로부터 정확한 인과적 구조 학습이 가능하다.

ABSTRACT

We consider the problem of learning causal DAGs in the setting where both observational and interventional data is available. This setting is common in biology, where gene regulatory networks can be intervened on using chemical reagents or gene deletions. Hauser and Bühlmann (2012) previously characterized the identifiability of causal DAGs under perfect interventions, which eliminate dependencies between targeted variables and their direct causes. In this paper, we extend these identifiability results to general interventions, which may modify the dependencies between targeted variables and their causes without eliminating them. We define and characterize the interventional Markov equivalence class that can be identified from general (not necessarily perfect) intervention experiments. We also propose the first provably consistent algorithm for learning DAGs in this setting and evaluate our algorithm on simulated and biological datasets.

연구 동기 및 목표

• 생물학적 실험에서 흔히 볼 수 있는 일반(소프트) 간섭 조건으로 확장하여 인과적 DAG의 식별 가능성을 초과하는 것을 목적으로 한다.
• 일반 간섭 조건 하에서의 간섭 Markov 동치 클래스(I-MECs)를 공식적으로 정의하고 특성화하는 것으로, 기존의 완전 간섭-I-MEC 프레임워크를 일반화한다.
• 관찰 데이터와 혼합된 간섭 데이터로부터 I-MECs를 학습하는 최초의 증명 가능하게 일치하는 알고리즘을 개발하는 것.
• 합성 데이터와 실제 생물학적 데이터 세트에서 알고리즘을 평가하여, RNAi나 CRISPR 활성화와 같은 비완전 간섭 조건에 대해 강건함을 입증하는 것.

제안 방법

• 일반 간섭 조건 하에서 d-분리 및 조건부 인독립성 관계를 기반으로 새로운 간섭 Markov 동치 클래스(I-MEC) 정의를 제안한다.
• 약한 가정 하에서 일반 간섭 조건이 식별 목적에서 완전 간섭 조건과 동일한 인과적 정보를 제공함을 입증한다.
• 관찰 및 간섭 데이터를 통합하여 사용하는 관찰 및 조건부 인독립 테스트를 기반으로 한 새로운 알고리즘인 IGSP(간섭 기반 그리디 스퍼스티 퍼미테이션)를 도입하여 I-MEC를 복원한다.
• 혼합된 간섭 유형 간에 조건부 인독립 관계가 유지됨을 보여주는 혼합 모델 접근 방식을 사용하여 일致하는 구조 학습을 가능하게 한다.
• 관찰 및 간섭 분포를 모두 활용하여 데이터와 일치하는 가장 흐린 그래프를 찾기 위해 순열에 대한 그레디 서치 전략을 적용한다.
• 작은 표본 크기에서의 성능 향상을 위해 풀링 히우리스틱을 적용하지만, 이는 渐近적으로 일치하지 않는다는 점에 유의한다.

실험 결과

연구 질문

• RQ1 일반(비완전) 간섭 조건 하에서 간섭 Markov 동치 클래스를 일관되게 특성화할 수 있는가?
• RQ2 비완전 간섭 조건이 표준 Markov 동치 클래스보다 더 작은 동치 클래스를 식별하는 데 충분한 정보를 제공하는가?
• RQ3 관찰 및 일반 간섭 데이터로부터 인과적 DAG를 학습하는 데 있어 증명 가능하게 일치하는 알고리즘을 설계할 수 있는가?
• RQ4 비완전 또는 소프트 간섭 조건 하에서 이러한 알고리즘의 성능은 기존 방법과 비교해 어떻게 되는가?

주요 결과

• 논문은 RNAi나 부분 효율성을 가진 CRISPR 간섭 조건과 같은 일반 간섭 조건이 약한 가정 하에 완전 간섭 조건과 동일한 식별 능력을 제공함을 입증한다.
• 제안된 IGSP 알고리즘은 간섭 조건이 비완전하더라도 관찰 및 일반 간섭 데이터로부터 I-MEC를 증명 가능하게 일치하여 학습할 수 있음을 보여준다.
• 단일 변수 간섭 조건에서는 IGSP가 완전 간섭 조건을 가정하는 perfect-IGSP보다 성능이 뛰어나지만, 다중 변수 간섭 조건에서는 가설 검증 횟수가 증가하여 성능이 떨어지며, perfect-IGSP는 완전 간섭을 가정한다는 점에서 이와 다르다.
• 풀링 히우리스틱 전략은 작은 표본 크기에서 IGSP의 성능을 향상시키지만, 渐近적으로 일치하지는 않는다.
• 합성 데이터 및 생물학적 데이터 세트에 대한 실증 평가 결과, IGSP는 특히 게놈 분야에서 흔히 볼 수 있는 비완전 간섭 조건 하에서도 정확도가 매우 높게 올바른 I-MEC를 복원함을 확인하였다.