[论文解读] Quantifying Causal Effects on Query Answering in Databases

Babak Salimi, Leopoldo Bertossi+2 more|arXiv (Cornell University)|Mar 8, 2016

Scientific Computing and Data Management参考文献 16被引用 8

一句话总结

本文提出因果效应作为量化数据库查询结果中元组贡献度的一种新颖且更直观的度量方法，超越单调查询的限制。通过反事实干预形式化因果效应，并证明其在捕捉直观影响概念（如更短路径的贡献）方面优于因果责任，具有坚实的皮尔士因果推断框架理论基础，并与皮尔逊相关系数存在关联。

ABSTRACT

The notion of actual causation, as formalized by Halpern and Pearl, has been recently applied to relational databases, to characterize and compute actual causes for possibly unexpected answers to monotone queries. Causes take the form of database tuples, and can be ranked according to their causal responsibility, a numerical measure of their relevance as a cause to the query answer. In this work we revisit this notion, introducing and making a case for an alternative measure of causal contribution, that of causal effect. The measure generalizes actual causes, and can be applied beyond monotone queries. We show that causal effect provides intuitive and intended results.

研究动机与目标

• 解决因果责任在排名元组对查询结果贡献度时的局限性，特别是在非单调或复杂查询场景中。
• 形式化一种新度量——因果效应，通过反事实干预量化元组对查询结果的直接影响。
• 通过引入连续且可解释的因果贡献度量，将实际因果性推广至非单调查询。
• 在理论与实证层面建立因果效应与皮尔逊相关系数等既定统计度量之间的联系。
• 为数据库查询回答中的因果解释提供更直观且可扩展的框架。

提出的方法

• 提出因果效应为当对某元组进行干预（插入或删除）时，查询结果概率的期望变化，该变化在其他元组的所有可能 contingency 集上取期望。
• 使用公式 $\mathcal{E}^{D}_{\tau,\mathcal{Q}} = \mathbb{E}[\mathcal{Q}(D \setminus \Gamma \cup \{\tau\})] - \mathbb{E}[\mathcal{Q}(D \setminus \Gamma)]$ 定义因果效应，其中 $\Gamma$ 遍历所有 contingency 集。
• 将该方法应用于一阶（FO）和聚集查询，通过多线性谱系和信息论扩展，证明其可推广至线性和非线性情形。
• 建立因果效应与皮尔逊相关系数的正式联系：$\mathcal{E}^{D}_{\tau,\mathcal{Q}} = \pm r_{\mathcal{Q},X_{\tau}} \cdot \frac{\sigma_{\mathcal{Q}}}{\sigma_{X_{\tau}}}$，符号取决于 $X_{\tau}$ 在查询谱系中的符号。
• 使用 Datalog 和递归查询展示因果效应在路径存在性等非单调查询上的计算。
• 通过实例验证该方法，表明位于更短路径上的元组（如直接边）获得的因果效应评分高于位于更长路径上的元组。

实验结果

研究问题

• RQ1 我们如何定义一种比因果责任更直观且更具普适性的数据库元组因果贡献度量？
• RQ2 因果效应能否捕捉到直观概念：位于更短路径上的元组对查询结果的贡献大于位于更长路径上的元组？
• RQ3 在数据库查询背景下，因果效应与皮尔逊相关系数等既定统计度量有何关系？
• RQ4 因果效应能否有意义地扩展至因果责任失效的非单调和聚集查询？
• RQ5 因果效应与查询评估中反事实干预之间的正式关系是什么？

主要发现

• 在路径存在性示例中，$t_1$（直接边）的因果效应为 0.65625，而 $t_2$、$t_3$ 和 $t_4$ 分别为 0.21875、0.21875 和 0.09375，正确反映了其更高的贡献度。
• 对于聚集查询，因果效应值为 $\mathcal{E}^{D}_{R(450),\mathcal{Q}'} = 112.5$，$\mathcal{E}^{D}_{R(150),\mathcal{Q}'} = 37.5$，$\mathcal{E}^{D}_{R(100),\mathcal{Q}'} = 25$，以及 $\mathcal{E}^{D}_{R(-100),\mathcal{Q}'} = -25$，显示出对输入变化的线性敏感性。
• 因果效应在数学上与皮尔逊相关系数相关联：$\mathcal{E}^{D}_{\tau,\mathcal{Q}} = \pm r_{\mathcal{Q},X_{\tau}} \cdot \frac{\sigma_{\mathcal{Q}}}{\sigma_{X_{\tau}}}$，提供了归一化解释。
• 因果效应推广了 Salimi (2015) 提出的因果贡献程度，可将其视为特例。
• 该方法成功处理了非单调查询（如 Datalog 路径查询），而因果责任无法反映直观的排序。
• 因果效应通过查询结果均值变化捕捉线性影响，但更高阶矩可能需要信息论扩展。