[論文レビュー] Identifiability of Causal Graphs using Functional Models

Jonas Peters, Joris M. Mooij+2 more|arXiv (Cornell University)|Feb 14, 2012

Bayesian Modeling and Causal Inference参考文献 16被引用数 64

ひとこと要約

本稿では、非線形関数的関係のもとで、観測データからの完全な因果グラフ同定を可能にする、新たなフレームワークである同定可能関数的モデルクラス（IFMOCs）を提案する。従来の忠実性仮定とは異なり、IFMOCsは線形モデルが失敗する状況でも正確な因果構造の回復を可能にし、より強く、検証可能な同定可能性条件を提供する。実際のアルゴリズムは、シミュレートされたデータ上で検証済みである。

ABSTRACT

This work addresses the following question: Under what assumptions on the data generating process can one infer the causal graph from the joint distribution? The approach taken by conditional independence-based causal discovery methods is based on two assumptions: the Markov condition and faithfulness. It has been shown that under these assumptions the causal graph can be identified up to Markov equivalence (some arrows remain undirected) using methods like the PC algorithm. In this work we propose an alternative by defining Identifiable Functional Model Classes (IFMOCs). As our main theorem we prove that if the data generating process belongs to an IFMOC, one can identify the complete causal graph. To the best of our knowledge this is the first identifiability result of this kind that is not limited to linear functional relationships. We discuss how the IFMOC assumption and the Markov and faithfulness assumptions relate to each other and explain why we believe that the IFMOC assumption can be tested more easily on given data. We further provide a practical algorithm that recovers the causal graph from finitely many data; experiments on simulated data support the theoretical findings.

研究の動機と目的

• マークフ・同値性クラスを超えて、因果グラフを一意に同定できない既存の因果発見手法の限界に対処すること。
• 観測データからの完全な因果グラフ回復を可能にする、新たな同定可能性条件「同定可能関数的モデルクラス（IFMOCs）」を構築すること。
• 非線形設定において、忠実性よりもテスト可能で、制約が少ないIFMOCsの有効性を示すこと。
• IFMOC仮定のもとで、有限標本を用いた因果構造回復の実用的アルゴリズムを提供すること。

提案手法

• IFMOCsを、構造的方程式が連合分布から同定可能な関数的モデルのクラスとして定義する。
• データ生成過程の関数的形を用いて、因果関係の方向を一意に特定する。
• IFMOCsのもとで、完全な因果グラフが連合分布から同定可能であることを理論的に確立する。
• 条件付き独立性と関数的形の制約に基づく実用的アルゴリズムを提案し、有限データからの因果グラフ回復を可能にする。
• ノイズの非ガウス性と関数的形を活用して、非パラメトリックに原因と結果を区別する。
• IFMOC仮定を因果発見パイプラインに統合し、マークフ仮定と忠実性仮定を回避する。

実験結果

リサーチクエスチョン

• RQ1 忠実性に依存せずに、観測データから完全な因果グラフを一意に同定できる条件は何か？
• RQ2 IFMOCsは、マークフ仮定および忠実性仮定と比較して、同定可能性とテスト可能性の観点でどのように異なるか？
• RQ3 有限標本を用いてIFMOCsのもとで因果グラフを実用的に回復できるか？
• RQ4 実世界のデータ設定において、IFMOC仮定は忠実性仮定よりもより実証的にテスト可能か？

主な発見

• 本稿では、IFMOCsのもとで、非線形設定においても完全な因果グラフが連合分布から同定可能であることを証明している。
• IFMOCsは忠実性よりも強い同定可能性条件を提供し、マークフ同値性クラスを超えた一意な因果構造回復を可能にする。
• 提案されたアルゴリズムは、シミュレーションにおいて有限データからの因果グラフ回復に成功し、理論的主張を検証した。
• IFMOC仮定は忠実性仮定よりも実証的にテストしやすく、実世界の応用において実用的利点を提供する。