[論文レビュー] Dynamic Causal Bayesian Optimization

Virginia Aglietti, Neil Dhir+2 more|arXiv (Cornell University)|Oct 26, 2021

Bayesian Modeling and Causal Inference参考文献 49被引用数 6

ひとこと要約

本稿では、因果推論、ガウス過程モデリング、および動的ベイジアンネットワークを統合する枠組みである動的因果ベイズ最適化（dcbo）を提案する。dcboは、因果グラフのトポロジーを用いて時系列間での介入知識を転送することで、非定常環境下でCBO、ABO、BOよりも高速かつ低コストに最適な介入を同定する。

ABSTRACT

This paper studies the problem of performing a sequence of optimal interventions in a causal dynamical system where both the target variable of interest and the inputs evolve over time. This problem arises in a variety of domains e.g. system biology and operational research. Dynamic Causal Bayesian Optimization (DCBO) brings together ideas from sequential decision making, causal inference and Gaussian process (GP) emulation. DCBO is useful in scenarios where all causal effects in a graph are changing over time. At every time step DCBO identifies a local optimal intervention by integrating both observational and past interventional data collected from the system. We give theoretical results detailing how one can transfer interventional information across time steps and define a dynamic causal GP model which can be used to quantify uncertainty and find optimal interventions in practice. We demonstrate how DCBO identifies optimal interventions faster than competing approaches in multiple settings and applications.

研究の動機と目的

• 因果効果が時間とともに変化する動的システムにおける逐次的最適介入の課題に取り組む。
• Causal Bayesian Optimization (CBO) や Adaptive Bayesian Optimization (ABO) や標準的ベイズ最適化 (BO) といった既存手法の限界を克服する。これらの手法は、時間的変化や因果的依存関係を適切にモデル化できない。
• 因果グラフ構造に基づいて時系列間で介入知識を転送する枠組みを開発し、探索を削減し収束を加速する。
• 経済モデルや生物学的経路のような非定常な目的関数を有するシステムにおいて、効率的かつ低コストの介入選択を可能にする。
• 明示的な状態モデリングを必要とせず、因果的および時間的ダイナミクスを考慮した確率的かつ不確実性を意識した意思決定手法を提供する。

提案手法

• 時間的に変化する因果関係を明示的にモデル化する新しい最適化問題のクラス、すなわち動的因果グローバル最適化（DCGO）を定式化する。
• 観測データと時系列を跨る介入データを統合する動的因果ガウス過程（DC-GP）モデルを構築する。
• 動的ベイジアンネットワーク（DBN）を用いて、システムの状態と介入の間の時間的依存関係をモデル化する。
• 因果グラフのトポロジーを活用し、時系列間での介入情報転送に理論的条件を導出する。これにより、重複する探索を低減する。
• 各時刻で、観測データと過去の介入データを統合したスレートモデルを、異なる介入集合について構築し、介入効果に関する信念を更新する。
• 1ステップ先の利得を最大化するミロプティックな獲得関数を適用し、目的変数を最小化しつつ介入コストを考慮した介入を選択する。

実験結果

リサーチクエスチョン

• RQ1 時間経過に伴い効果が変化する因果的動的システムにおいて、どのようにして時系列間で介入知識を効果的に転送できるか。
• RQ2 因果グラフのトポロジーにどのような理論的条件が、時間経過に伴う介入情報の信頼性ある転送を可能にするか。
• RQ3 時間的ダイナミクスと因果構造を組み込むことで、静的または非因果的アプローチと比較して最適化性能がどのように向上するか。
• RQ4 非定常設定下で、dcboはCBO、ABO、BOと比較して、必要な介入回数と介入コストをどのように低減するか。
• RQ5 時間に適応した因果的ベイズ最適化フレームワークは、経済的または生物学的モデルのような現実世界の動的システムにおいて、最先端の手法を上回る性能を発揮できるか。

主な発見

• dcboは、合成的および実世界の複数の設定において、CBO、ABO、BOよりも迅速に最適な介入を同定する。これは、時系列間での介入知識の有効な転送に起因する。
• 理論的結果から、介入情報は因果グラフ構造に基づいて時系列間で転送可能であり、特に目的変数の親が安定している、または予測可能に変化する場合に顕著に効果的である。
• 動的因果ガウス過程を用いて因果構造と時間的ダイナミクスを同時にモデル化することで、dcboは不確実性と探索コストを低減し、特に非定常環境下で顕著な効果を発揮する。
• 目的関数に急激な変化が生じる状況では、ABOは緩やかな時間的変化を仮定しているため、dcboがABOを上回る性能を発揮する。
• 真の介入関数が時刻間で変化しても、因果グラフ構造が一貫している限り、dcboは性能を維持する。
• 目的変数に影響を与える入力が部分的にのみ存在する状況では、dcboは最も効果的な変数に介入するよう学習し、ABOが採用する高コストな全変数介入戦略を回避する。