[논문 리뷰] Conditions and Assumptions for Constraint-based Causal Structure Learning

Kayvan Sadeghi, Terry Soo|arXiv (Cornell University)|2021. 03. 24.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 잠재 변수가 존재하는 상황에서 제약 기반 인과적 구조 학습을 위한 조건을 체계화하며, 마르코프 등가 그래프를 생성하는 '자연스러운' 알고리즘의 클래스를 도입한다. 이는 충실성(faithfulness)을 완화하면서도 정확한 스켈레톤과 간선 방향을 보장하는 검증 가능한 가정—순서적 안정성, 경로 안정성, 그리고 역쌍대 마르코프 성질—을 규명한다. 특히 구조적 인과 모델(SCM)에 대한 특화된 결과를 제공한다.

ABSTRACT

We formalize constraint-based structure learning of the "true" causal graph from observed data when unobserved variables are also existent. We provide conditions for a "natural" family of constraint-based structure-learning algorithms that output graphs that are Markov equivalent to the causal graph. Under the faithfulness assumption, this natural family contains all exact structure-learning algorithms. We also provide a set of assumptions, under which any natural structure-learning algorithm outputs Markov equivalent graphs to the causal graph. These assumptions can be thought of as a relaxation of faithfulness, and most of them can be directly tested from (the underlying distribution) of the data, particularly when one focuses on structural causal models. We specialize the definitions and results for structural causal models.

연구 동기 및 목표

• 잠재 변수가 존재할 때 제약 기반 인과적 구조 학습을 체계화하는 것, 특히 비방향 엣지가 없는 조상 그래프에서의 적용을 목적으로 한다.
• 진정한 인과 그래프와 마르코프 등가인 그래프를 출력하는 인과 구조 학습 알고리즘을 보장하기 위한 충분하고 검증 가능한 가정을 규명하는 것.
• 충실성에서 성립하는 방향 안정성 조건을 만족하는 '자연스러운' 구조 학습 알고리즘의 클래스를 정의하는 것.
• 이론을 구조적 인과 모델(SCM)에 특화하여, 역쌍대 마르코프 성질을 위한 해석 가능하고 검증 가능한 조건을 제공하는 것.
• 충실성 이외의 조건에서도 정당한 제약 기반 인과 발견 알고리즘 설계를 지원하는 이론적 프레임워크를 제공하는 것.

제안 방법

• 엣지 방향 결정 과정에서 순서적 상향 및 하향 안정성 조건을 만족하는 '자연스러운' 구조 학습 알고리즘의 클래스를 도입한다.
• 세 가지 핵심 가정을 제안한다: (1) 인과 그래프에 대한 순서적 안정성, (2) 역쌍대 마르코프 성질, (3) 경로 안정성(또는 DAG에서의 V-안정성).
• Sadeghi(2017)의 충실성 체계화를 활용하여 충실성 하에서 정확한 출력을 보장하기 위한 필요 조건을 유도한다.
• 이론을 구조적 인과 모델(SCM)에 적용하여, 마르코프성은 항상 만족되며, 역쌍대 마르코프 성질을 위한 충분 조건을 제공한다.
• SCM에서 역쌍대 마르코프 성질을 위한 단순하고 해석 가능한 충분 조건으로 '비상수 섬유 조건'을 도입한다.
• 경로 안정성과 V-안정성이 싱글턴 전이성 또는 충실성보다 더 쉽게 검증 가능하다는 것을 보이며, 이는 특정 경로 또는 V-구성 요소의 종단점에서의 독립성 테스트만으로도 충분하기 때문이다.

실험 결과

연구 질문

• RQ1 잠재 변수가 존재할 때 제약 기반 구조 학습 알고리즘이 진정한 인과 그래프와 마르코프 등가인 그래프를 출력하는 데 필요한 조건은 무엇인가?
• RQ2 인과 구조 학습에서 충실성을 완화하면서도 정확성을 유지할 수 있는 조건은 무엇이며, 이러한 가정들은 데이터로부터 직접적으로 검증 가능한가?
• RQ3 조상 그래프에서 정확한 스켈레톤 복구와 간선 방향 결정을 위해 필요한 최소한의 분포적 성질은 무엇인가?
• RQ4 구조적 인과 모델(SCM)에서 어떤 조건이 역쌍대 마르코프 성질을 만족시키며, 이러한 조건들은 어떻게 검증할 수 있는가?
• RQ5 경로 안정성과 V-안정성은 인과 발견 알고리즘에서 충실성의 실용적이고 검증 가능한 대체 조건이 될 수 있는가?

주요 결과

• 순서적 상향 및 하향 안정성 조건을 만족하는 '자연스러운' 구조 학습 알고리즘의 클래스는 충실성 가정을 따르는 모든 정확한 알고리즘을 포함한다.
• 충실성 하에서 정확한 간선 방향 결정을 위해 순서적 상향 및 하향 안정성은 필수적이고 충분하며, 데이터에서 직접 검증 가능하다.
• 경로 안정성은 조상 그래프에서 출력된 방향 스켈레톤이 진정한 인과 그래프와 마르코프 등가임을 보장하는 충분 조건이다.
• V-안정성은 DAG의 경우 마르코프 등가성을 보장하는 충분 조건이며, 싱글턴 전이성 및 충실성보다 더 약한 조건이다.
• SCM에서 비상수 섬유 조건은 역쌍대 마르코프 성질을 함의하며, 이는 해석 가능하고 검증 가능하다.
• 가우시안 SCM의 경우, 제안된 모든 가정(경로 안정성, V-안정성 등)이 자동으로 만족되며, 이는 충실성이 성립함을 의미한다.