[論文レビュー] Structure Learning of Linear Gaussian Structural Equation Models with Weak Edges

Marco F. Eigenmann, Preetam Nandy+1 more|arXiv (Cornell University)|Jul 24, 2017

Bayesian Modeling and Causal Inference被引用数 6

ひとこと要約

本稿では、線形ガウスSEMにおける弱い辺のため、標準的なCPDAGsで失われるエッジの向きを保持するための新しいグラフィカルターゲット、集約PDAG（APDAG）を提案する。著者らは、強い忠実性条件の下でペナルティパラメータを変化させたGES解を統合するAGESアルゴリズムを導入し、一貫性を示し、シミュレーションおよびSachsら（2005）の単細胞データにおいて、エッジの向き回復が向上することを示した。

ABSTRACT

We consider structure learning of linear Gaussian structural equation models with weak edges. Since the presence of weak edges can lead to a loss of edge orientations in the true underlying CPDAG, we define a new graphical object that can contain more edge orientations. We show that this object can be recovered from observational data under a type of strong faithfulness assumption. We present a new algorithm for this purpose, called aggregated greedy equivalence search (AGES), that aggregates the solution path of the greedy equivalence search (GES) algorithm for varying values of the penalty parameter. We prove consistency of AGES and demonstrate its performance in a simulation study and on single cell data from Sachs et al. (2005). The algorithm will be made available in the R-package pcalg.

研究の動機と目的

• 小さな標本サイズのため弱い辺が見過ごされた場合に、標準的なCPDAGsがエッジの向きを失う問題に対処する。
• 真のDAGの部分DAGのCPDAGを統合することで、CPDAGよりも多くのエッジの向きを保持できる新しいグラフィカルターゲット、APDAGを提案する。
• 提案された強い忠実性仮定の下で、観測データからAPDAGを一貫して回復できるアルゴリズムAGESを開発する。
• 弱い辺が存在するが検出が難しい状況において、標準的なGESよりも正しいエッジの向きをよりよく保持できるかを検証する。
• 生物学的に関連性のある文脈として、実際の単細胞シグナル伝達データに本手法を適用し、性能を検証する。

提案手法

• 真の潜在DAGの部分DAGのCPDAGを統合することで得られる、最大限に向き付けられたPDAGとしてAPDAGを定義する。
• 複数のペナルティパラメータに対してGESを実行し、得られた解のパスを統合するAGESアルゴリズムを導入する。
• APDAGが識別可能となる新しい忠実性条件、すなわち部分DAGの系列に関するδ-strong忠実性を確立する。
• グリーディ等価性探索（GES）アルゴリズムをベースとし、ペナルティパラメータを変化させて複数のモデル構造を探索する。
• 解のパス全体にわたって一貫して現れる向きを優遇することで、エッジの向きを統合し、最終的なAPDAGを構築する。
• 提案された忠実性条件の下でAGESの一貫性を証明し、標本サイズが増加するにつれて真のAPDAGに収束することを示す。

実験結果

リサーチクエスチョン

• RQ1 限られた標本サイズのため弱い辺が見過ごされた場合、構造学習においてエッジの向きを保持できるか？
• RQ2 観測データから識別可能でありながら、標準的なCPDAGよりも多くのエッジの向きを表現できるグラフィカルオブジェクトは存在するか？
• RQ3 妥当な忠実性仮定の下で、そのようなターゲットオブジェクトを一貫して回復できるアルゴリズムを開発できるか？
• RQ4 ペナルティパラメータを変化させたGESの解を統合することで、標準的なGESよりもエッジの向き回復が向上するか？
• RQ5 弱い依存関係と複雑な依存構造を有する実際の生物学的データにおいて、本手法はどの程度の性能を示すか？

主な発見

• AGESは、弱い辺が存在する設定において、標準的なGESよりも正しいエッジの向きの割合を一貫して高く回復する。
• APDAGはCPDAGよりも多くのエッジの向きを含み得るため、弱い辺が省かれた場合に失われる情報を保持できる。
• オラクルAGESは、シミュレーション全体で高い割合の正しい部分CPDAGを回復するが、スパースなグラフや弱い辺が多い設定では性能が向上する。
• APDAGにおける正しいエッジの向きの回復割合は、標準的なCPDAG出力よりも顕著に高く、とくに中程度から高い弱い辺密度の設定で顕著である。
• Sachsら（2005）の単細胞データへの応用において、AGESは特に弱い調節効果が存在する状況で、GESよりも生物学的に妥当な向きをより多く回復する。
• δ-strong忠実性仮定は、古典的なδ-strong忠実性よりもはるかに弱く、特に弱い辺を有するスパースなグラフにおいて、シミュレーションでより頻繁に満たされる。