[논문 리뷰] The d-separation criterion in Categorical Probability

T. A. Fritz, Andreas Klingler|arXiv (Cornell University)|2022. 07. 12.

Bayesian Modeling and Causal Inference인용 수 11

한 줄 요약

이 논문은 마르코프 범주를 사용하여 인과 모델링을 위한 범주론적 프레임워크를 제안하며, 스트링 다이어그램에서의 위상적 연결성에 기반한 새로운 d-분리 개념을 정의한다. 이는 마르코프 범주에서 조건부 사슬을 활용하여 다양한 설정—확률적, 결정론적, 가능성적 네트워크—에서 인과적 호환성과 조건부 인덴펜던스 간의 동치성을 보장하는 추상적 d-분리 기준을 증명한다.

ABSTRACT

The d-separation criterion detects the compatibility of a joint probability distribution with a directed acyclic graph through certain conditional independences. In this work, we study this problem in the context of categorical probability theory by introducing a categorical definition of causal models, a categorical notion of d-separation, and proving an abstract version of the d-separation criterion. This approach has two main benefits. First, categorical d-separation is a very intuitive criterion based on topological connectedness. Second, our results apply both to measure-theoretic probability (with standard Borel spaces) and beyond probability theory, including to deterministic and possibilistic networks. It therefore provides a clean proof of the equivalence of local and global Markov properties with causal compatibility for continuous and mixed random variables as well as deterministic and possibilistic variables.

연구 동기 및 목표

• 고전적 d-분리 기준을 표준 확률 공간을 초월하여 결정론적 및 가능성적 시스템까지 일반화하기 위해.
• 자유 마르코프 범주와 스트링 다이어그램을 사용하여 범주론적 프레임워크에서 인과 모델을 형식화하기 위해.
• 선형 연결성에 기반한 위상적 비연결성에 기반한 범주론적 d-분리 기준을 정의하기 위해.
• 모든 마르코프 범주에서 조건부 사슬이 존재할 경우, d-분리가 성립할 때마다 인과적 호환성이 조건부 인덴펜던스와 동치임을 증명하기 위해.
• 이산, 연속, 가우시안 변수를 하나의 추상적 프레임워크에서 균일하게 처리할 수 있도록 통합하기 위해.

제안 방법

• 기본 사상(박스)과 선(변수)으로 구성된 자유 마르코프 범주를 사용하여 인과 모델을 스트링 다이어그램으로 구성한다.
• 범주론적 d-분리를, 변수 집합에 해당하는 선을 제거했을 때 다이어그램이 분리되는 것으로 정의한다.
• 마르코프 범주에서의 조건부 사슬이라는 구조적 가정을 활용하여 출력의 순차적 생성을 가능하게 하며, 조건부 확률 인수분해를 일반화한다.
• 지역 마르코프 성질을 적용하여 d-분리 조건으로부터 조건부 인덴펜던스 문장을 유도한다.
• 사상이 인과적 구조와 호환될 조건은 d-분리에 의해 유도된 조건부 인덴펜던스 관계를 만족할 때이고, 그 경우에만 성립함을 증명한다.
• FinSet에서의 산술 변수, 피드백 루프, 결정론적 사상 등의 예시를 통해 프레임워크의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 d-분리는 DAG와 표준 확률 공간을 초월하여 결정론적 및 가능성적 시스템까지 일반화될 수 있는가?
• RQ2 확률적 경우에서 고전적 d-분리로 수렴하는 범주론적 d-분리 정의가 존재하는가?
• RQ3 측도 이론적 확률를 초월한 마르코프 범주에서도 d-분리와 인과적 호환성 간의 동치성은 성립하는가?
• RQ4 동일한 범주론적 프레임워크가 이산, 연속, 가우시안 변수를 균일하게 다룰 수 있는가?
• RQ5 조건부 사슬은 추상 마르코프 범주에서 d-분리 기준을 증명하는 데 어떤 역할을 하는가?

주요 결과

• 논문은 모든 조건부 사슬이 존재하는 마르코프 범주에서 인과적 호환성과 동치인 범주론적 d-분리 기준을 확립한다.
• 범주론적 d-분리는 순수하게 위상적 연결성에 기반한다: 특정 변수 집합이 d-분리되어 있음은 그에 해당하는 선을 제거했을 때 다이어그램이 분리됨을 의미한다.
• 이 프레임워크는 이산, 연속, 가우시안 변수를 동일한 기준 하에서 통합적으로 처리하며, 모든 경우에서 지역 마르코프 성질과 전역 마르코프 성질이 동치임을 증명한다.
• 설명 변수 시나리오에서는 기존에 알려진 조건인 X ⊥B∣A,Λ 및 X ⊥Λ를 재현하며, 이는 연합 밀도의 인수분해에 해당한다.
• FinSet와 같은 결정론적 설정에서는 지역 마르코프 성질이 함수 g, h, k의 존재를 통해 인과적 호환성을 암시한다: z = g(c), x = h(a,z), y = k(b,z).
• 이 프레임워크는 다이어그램 내에서 동일한 인과 메커니즘(박스)을 여러 번 사용할 수 있으며, 이는 기존의 DAG에서의 재사용이 본질적으로 포함되지 않는 점을 일반화한다.