[논문 리뷰] Structural Intervention Distance (SID) for Evaluating Causal Graphs

Jonas Peters, Peter Bühlmann|arXiv (Cornell University)|2013. 06. 05.

Bayesian Modeling and Causal Inference참고 문헌 12인용 수 8

한 줄 요약

이 논문은 인과 그래프 평가를 위한 새로운 사전거리 측도인 구조적 간섭 거리(SID)를 소개한다. SID는 두 개의 DAG 또는 CPDAG 간의 인과적 추론 문장 간의 차이를 수량화하며, 인과적 추론 능력의 차이를 반영하는 더 의미 있는 측도를 제공한다. 기존의 구조적 해밍 거리(SHD)와 달리, SID는 도-계산법 효과를 평가하여 각 그래프가 간섭 분포를 어떻게 올바르게 예측하는지 평가함으로써, 인과적 구조 학습과 간섭 분석에 더 유의미한 측도를 제공한다.

ABSTRACT

Causal inference relies on the structure of a graph, often a directed acyclic graph (DAG). Different graphs may result in different causal inference statements and different intervention distributions. To quantify such differences, we propose a (pre-) distance between DAGs, the structural intervention distance (SID). The SID is based on a graphical criterion only and quantifies the closeness between two DAGs in terms of their corresponding causal inference statements. It is therefore well-suited for evaluating graphs that are used for computing interventions. Instead of DAGs it is also possible to compare CPDAGs, completed partially directed acyclic graphs that represent Markov equivalence classes. Since it differs significantly from the popular Structural Hamming Distance (SHD), the SID constitutes a valuable additional measure. We discuss properties of this distance and provide an efficient implementation with software code available on the first author's homepage (an R package is under construction).

연구 동기 및 목표

• 기존의 그래프 거리 측도인 SHD가 인과적 추론 능력의 차이를 포착하지 못하는 한계를 해결하기 위해.
• 인과 그래프가 간섭 분포를 얼마나 잘 예측하는지 평가하는 측도를 개발하여 실제 인과적 추론과 반영되도록 하기 위해.
• 도-계산법과 그래픽 기준에 기반한 사전거리 측도(SID)를 제안하여 DAG와 CPDAG 모두를 비교하는 데 적합하도록 하기 위해.
• 실제 인과적 탐색 알고리즘에서의 활용을 위한 SID의 효율적인 계산 구현을 제공하기 위해.
• SID가 추정된 인과적 구조 평가에서 SHD와 보완적이고 더 정보적인 통찰을 제공함을 보여주기 위해.

제안 방법

• SID를 두 개의 DAG 또는 CPDAG 간에서 변수 쌍 (i,j)에 대해 정의하며, 이는 추정된 그래프 H가 진짜 그래프 G와 달리 do(Xi=x)의 간섭 효과를 잘못 예측하는 경우를 의미한다.
• 도-계산법을 사용하여 Xi에 대한 간섭이 Xj에 영향을 미치는지 판단한다: G에서 j가 i의 부모가 아니면, 조건부 독립이 성립하지 않는 배경로(후방 경로)가 존재할 경우에만 효과가 비영일 수 있다.
• 각 노드 i에 대해 H가 효과가 0이라고 예측하는 노드 j의 집합을 계산하고, 이를 G의 예측과 비교한다.
• 경로 행렬을 사용하여, H의 i의 부모에서 간선을 제거한 후 G에서 i에서 j로의 비방향 경로가 존재하는지 확인함으로써, 차단되지 않은 후방 경로가 존재할 가능성을 검사한다.
• 인접 행렬과 경로 행렬을 활용한 효율적인 알고리즘을 구현하여 SID를 O(p^4) 시간에 계산하며, 희소 그래프에 대한 최적화를 적용한다.
• Markov 동치 클래스를 일관되게 다루어 CPDAG로의 확장을 수행하며, 동치 클래스 내에서 간선 방향의 변화에 대해 거리 측도가 불변하도록 보장한다.

실험 결과

연구 질문

• RQ1 두 인과 그래프 간의 간섭 분포 예측 능력의 차이를 어떻게 측정할 수 있는가?
• RQ2 SHD가 간선 차이만 세는 데 반해, SID는 어떻게 더 의미 있는 인과적 구조 추정 평가를 제공하는가?
• RQ3 SID는 DAG와 CPDAG, 특히 Markov 동치 클래스까지도 효율적으로 계산하고 적용할 수 있는가?
• RQ4 SID는 합성 데이터에서 SHD에 비해 인과적 추론 능력의 차이를 얼마나 잘 포착하는가?
• RQ5 SID의 이론적 성질은 무엇이며, 도-계산법과 간섭 분포와의 관계는 어떠한가?

주요 결과

• SID는 단순한 간선 차이 외에도 예측된 간섭 효과의 차이에 초점을 맞추므로, SHD보다 더 정보적인 인과 그래프 평가를 제공한다.
• 제안된 알고리즘은 O(p^4) 시간에 SID를 계산하며, 개발 중인 R 패키지를 통해 효율적인 구현이 가능하다.
• 진짜 그래프 G가 비영인 영향을 예측하는 경우에, 추정된 그래프 H가 영향이 없다고 잘못 예측하는 경우를 정확히 식별한다.
• H의 i의 부모에서 간선을 제거한 후 G에서 j로의 경로가 존재하는지 검사함으로써, 차단되지 않은 후방 경로를 탐지함으로써 인과 효과 예측 오류를 탐지한다. 이는 간섭 예측 평가의 정확성을 보장한다.
• SID는 Markov 동치 클래스 내에서 간선 방향의 변화에 대해 불변이므로, CPDAG 간 비교에 적합하다.
• 합성 데이터에 대한 실험 결과, SID는 인과적 추론에 관련된 구조적 차이를 포착하는 데 성공했으며, 간선 집합이 유사하지만 인과적 예측이 다를 경우 SHD는 이러한 차이를 간과할 수 있음을 보여준다.