[論文レビュー] Revisiting the General Identifiability Problem

Yaroslav Kivva, Ehsan Mokhtarian+2 more|arXiv (Cornell University)|Jun 2, 2022

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

本稿は、因果推論における一般同定可能性（gID）問題を再検討し、Leeら（2019）による元々の定式化が、観測分布に対する正性仮定が欠落しているため、整合性に欠けることを特定した。著者らは正性を含む再定式化を提示し、gIDを古典的同定可能性問題に還元する、整合的かつ完全な新しいアルゴリズムを提案するとともに、この仮定の下で一般同定可能性と古典的同定可能性の間の形式的関係を確立した。

ABSTRACT

We revisit the problem of general identifiability originally introduced in [Lee et al., 2019] for causal inference and note that it is necessary to add positivity assumption of observational distribution to the original definition of the problem. We show that without such an assumption the rules of do-calculus and consequently the proposed algorithm in [Lee et al., 2019] are not sound. Moreover, adding the assumption will cause the completeness proof in [Lee et al., 2019] to fail. Under positivity assumption, we present a new algorithm that is provably both sound and complete. A nice property of this new algorithm is that it establishes a connection between general identifiability and classical identifiability by Pearl [1995] through decomposing the general identifiability problem into a series of classical identifiability sub-problems.

研究の動機と目的

• Leeら（2019）による元々の一般同定可能性（gID）問題の定式化に、観測分布に対する正性仮定が欠落しているという深刻な欠陥を特定すること。
• 正性がなければ、do計算に基づく手法や元々のgIDアルゴリズムが、誤って同定可能性を主張する可能性があるため、その不整合性を示すこと。
• 正性仮定を追加すると、元のgID研究で用いられた完全性の証明技法が無効化されることを示し、新たな証明アプローチの必要性を明らかにすること。
• 正性仮定の下で、gIDに対して整合的かつ完全な新しいアルゴリズムを開発すること。
• 正性仮定の下で、gIDを一連の古典的ID問題に還元することで、一般同定可能性と古典的同定可能性の間の形式的関係を確立すること。

提案手法

• 観測変数の実現値 v に対して P(v) > 0 が成り立つように、正性仮定を明示的に追加することで、gID問題を再定式化する。
• アルゴリズム2を提案し、gID問題を一連の古典的同定可能性サブ問題に分解する手法を提供する。
• 再帰的還元技術を用い、一般グラフから出発し、特定の変数と未観測の交絡要因に注目することで、段階的にグラフのサイズを縮小する。
• 同一の介入分布をもつが、目的変数の介入分布が異なる2つの反例モデル（M₁ と M₂）を構築し、非同定性を証明する。
• 因果グラフの構造と条件付き確率分布の性質を活用し、観測分布の正性がモデル間の区別に不可欠であることを示す。
• 正性条件が成立する場合に正しく同定可能性を特定できること、そうでない場合には失敗することを示すことにより、新アルゴリズムの整合性と完全性を証明する。

実験結果

リサーチクエスチョン

• RQ1 Leeら（2019）による元々のgID定式化は、観測分布に対する正性仮定がなければ整合的か？
• RQ2 観測分布が非正性を示す場合、do計算に基づく手法をgID問題に信頼性を持って適用できるか？
• RQ3 gID定義に正性仮定を追加しても、元のアルゴリズムの完全性は保たれるか？
• RQ4 正性仮定の下で、一般同定可能性を一連の古典的同定可能性問題に還元できるか？
• RQ5 因果推論における一般同定可能性と古典的同定可能性の構造的関係は何か？

主な発見

• 正性仮定がなければ、元のgIDアルゴリズムは整合的でない。これは、観測データから一意に計算できない因果効果を誤って同定する可能性があるためである。
• すべての v に対して P(v) > 0 である正性仮定は、gID設定におけるdo計算に基づく手法の整合性にとって不可欠である。
• 正性仮定を追加すると、元のgID研究で用いられた完全性証明技法（確率がゼロとなる構成を含むモデルに依存）は無効化される。
• 提案されたアルゴリズム2は、正性仮定の下でgIDに対して整合的かつ完全である。これにより、因果効果の正しく特定が保証される。
• 新アルゴリズムは、gIDを一連の古典的ID問題に分解することで、一般同定可能性と古典的同定可能性の間の形式的関係を確立した。
• 2ノードのグラフへの再帰的還元を用いた反例構築により、同一の介入分布をもつ2つのモデルが、非正性の下で目的変数の介入分布を異なるものにすることが示された。