[논문 리뷰] The causal manipulation of chain event graphs

Eva Riccomagno, Jim Q. Smith|ArXiv.org|2007. 09. 21.

Bayesian Modeling and Causal Inference참고 문헌 25인용 수 4

한 줄 요약

이 논문은 비대칭 확률적 시스템의 영향력 있는 표현과 인과적 조작을 가능하게 하는 이산 베이지안 네트워크의 일반화로 체인 이벤트 그래프(CEG) 모델을 도입한다. CEG의 구조를 통해 인과적 영향을 특정화하기 위한 백도어 유사 정리(Back-door-like theorem)를 수립하여, 구조적 비대칭성 또는 조건부 의존성으로 인해 표준 베이지안 네트워크가 실패할 경우에도 인과적 추론을 가능하게 한다.

ABSTRACT

Discrete Bayesian Networks have been very successful as a framework both for inference and for expressing certain causal hypotheses. In this paper we present a class of graphical models called the chain event graph (CEG) models, that generalises the class of discrete BN models. It provides a flexible and expressive framework for representing and analysing the implications of causal hypotheses, expressed in terms of the effects of a manipulation of the generating underlying system. We prove that, as for a BN, identifiability analyses of causal effects can be performed through examining the topology of the CEG graph, leading to theorems analogous to the back-door theorem for the BN.

연구 동기 및 목표

• 비대칭 확률적 시스템을 모델링하기 위해 이산 베이지안 네트워크를 일반화하는 그래픽 프레임워크를 개발하는 것.
• 특히 구조적 비대칭성으로 인해 표준 베이지안 네트워크가 제한을 받는 경우에도 인과적 추론을 가능하게 하기 위해 기반 시스템을 조작하는 것.
• 복잡하고 조건부 의존성이 있는 상황에서 인과적 영향을 식별하기 위한 구조적 방법을 제공함으로써, 베이지안 네트워크의 백도어 기준과 유사한 방법을 도입하는 것.
• 그래프 구조와 간섭 효과의 식별 가능성 간의 연결을 통해 CEG에서 인과적 조작을 체계화하는 것.
• 특정 조건에서 변수의 존재 여부나 조건부 의존성과 관련된 인과적 가설을 모델링할 때 베이지안 네트워크(BNs)의 한계를 해결하는 것.

제안 방법

• 복잡성을 줄이기 위해 등가성 가정을 적용하여 이벤트 트리에서 체인 이벤트 그래프(CEG)를 구성하는 것.
• 동일한 경로를 동일한 노드로 통합하기 위해 위치 동치성 관계를 사용하여 전체 이벤트 트리에 비해 그래프 크기를 크게 줄이는 것.
• d-분리 및 백도어 기준과 유사한 구조적 기준을 적용하여, 원인에서 영향으로 향하는 모든 백도어 경로를 차단하는 변수 집합을 식별하는 것.
• 예를 들어 증인을 범인을 특정하도록 강제하는 것과 같은 간섭 후 결과 확률을 추정하기 위한 공식을 유도하는 것—잠재 상태에 대해 합산함으로써.
• 대수적 기법과 매개변수화를 활용하여 생물학적 및 법적 추론 맥락에서의 조건부 의존성을 모델링하는 것.
• 완전한 연합 분포 추정이 필요 없이도 그래프 구조만으로도 인과적 영향을 식별할 수 있음을 보여주는 것.

실험 결과

연구 질문

• RQ1 비대칭 표본 공간과 조건부 의존성을 다룰 수 있도록 이산 베이지안 네트워크를 일반화하는 그래픽 모델을 개발할 수 있는가?
• RQ2 특정 조건에서만 존재하는 변수들이 있는 시스템에서 인과적 영향은 어떻게 식별하고 추정할 수 있는가?
• RQ3 베이지안 네트워크의 백도어 기준과 유사한 CEG 내의 구조적 기준이 존재하는가? 이를 통해 식별 가능한 인과적 영향을 식별할 수 있는가?
• RQ4 예를 들어 증인을 범인을 특정하도록 강제하는 것과 같은 간섭을 CEG에서 공식적으로 모델링할 수 있으며, 그 효과는 어떻게 추정할 수 있는가?
• RQ5 완전한 이벤트 트리에 비해 복잡도를 줄이면서도 인과적 해석 능력을 유지하는 데 CEG가 얼마나 효과적인가?

주요 결과

• 논문은 체인 이벤트 그래프에 대해 백도어 유사 정리를 수립하여 그래프 구조의 구조적 분석을 통해 인과적 영향을 식별할 수 있음을 보여준다.
• X5가 조작된 경우, 예를 들어 P(X6 = 1) = Σ_z P(Z = z)P(X6 = 1|Z = z, X5 = 1)와 같이 잠재 상태에 대해 합산함으로써 인과적 영향을 추정할 수 있다.
• CEG 모델은 증인이 사건 현장에 있었을 때에만 범인을 특정할 수 있다는 것과 같은 조건부 의존성을 베이지안 네트워크보다 더 자연스럽게 표현할 수 있다.
• 특정 상황에서 변수가 존재하지 않을 경우(예: 범인이 석방되어 증거가 확보되지 않은 경우)에도 인과적 조작이 가능하다.
• 위치 동치성에 의한 동일 경로의 압축을 통해 전체 이벤트 트리의 복잡도를 감소시켜 모델의 확장성과 해석 가능성을 높인다.
• 모든 조건부 인과적 독립 관계를 동시에 표현하는 데에는 제한이 있지만, CEG는 질적 그래프 구조에서 암묵적인 인과적 관계를 도출하는 강력한 구조적 도구를 제공한다.