[论文解读] Algebraic causality: Bayes nets and beyond

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

Bayesian Modeling and Causal Inference参考文献 18被引用 3

一句话总结

本文提出了一种通用的代数框架用于因果建模，通过形式化偏序关系和多项式映射来扩展贝叶斯网络，使非图形化模型中的因果效应分析成为可能。核心贡献是一种统一的代数方法，涵盖了贝叶斯网络、上下文相关网络和链事件图，使得可通过计算交换代数和半代数约束来研究可识别性与可行性。

ABSTRACT

The relationship between algebraic geometry and the inferential framework of the Bayesian Networks with hidden variables has now been fruitfully explored and exploited by a number of authors. More recently the algebraic formulation of Causal Bayesian Networks has also been investigated in this context. After reviewing these newer relationships, we proceed to demonstrate that many of the ideas embodied in the concept of a ``causal model'' can be more generally expressed directly in terms of a partial order and a family of polynomial maps. The more conventional graphical constructions, when available, remain a powerful tool.

研究动机与目标

• 通过将因果性嵌入代数和序理论基础中，将因果模型的概念推广至超越图形结构（如贝叶斯网络）的范畴。
• 解决在传统图形表示不足以或过于繁琐的复杂模型中因果效应的可识别性与可行性问题。
• 在单一代数形式下统一多种模型类别，如上下文相关贝叶斯网络、贝叶斯线性约束模型和链事件图。
• 证明因果推断可不从图出发，而从有限组展开事件和假设的因果顺序开始，从而实现更灵活的建模。
• 展示代数技术（包括环形理想和半代数约束）可系统性地应用于因果假设和操控分布的分析。

提出的方法

• 将因果模型表示为有限事件集上的偏序关系，以及从一个半代数空间到另一个半代数空间的多项式映射族。
• 将因果干预形式化为在无控制系统的联合概率质量函数下的投影，类似于因果贝叶斯网络中的 do-演算。
• 将条件独立关系的参数化表示为多项式，将其与代数几何中的概念（如环形簇和理想）联系起来。
• 将结构性约束（如独立性、条件独立性）建模为参数空间中的半代数方程和不等式。
• 应用计算交换代数工具（如格鲁伯基和消去理论）来解决可识别性与可行性问题。
• 通过一个受电影观看和睾酮水平影响的暴力行为因果模型示例，结合三个实验数据源来估计总效应和直接效应。

实验结果

研究问题

• RQ1 如何利用代数和序理论结构，在不依赖图形表示的情况下正式化因果模型？
• RQ2 在何种方式下，可利用多项式约束和半代数几何分析因果效应的可识别性？
• RQ3 因果贝叶斯网络的框架能否推广至包含非图形模型（如上下文相关网络和链事件图）？
• RQ4 在干预下，联合分布的代数特性是什么？这些特性如何从底层因果顺序中推导出来？
• RQ5 不同实验数据配置（如边缘、条件或总体水平数据）如何影响代数框架中总效应和直接效应的可识别性？

主要发现

• 本文确立了因果模型可基于有限组展开事件和偏序关系重新定义，而无需依赖图形结构。
• 因果干预被定义为在无控制系统下联合分布的投影，与因果贝叶斯网络中的 do-演算保持类比关系。
• 仅当结合测量睾酮水平和观看行为的实验数据时，禁止电影观看对斗殴行为的总因果效应才可识别，且识别过程需要除以暴露概率。
• 低睾酮对斗殴行为的直接效应（表示为 $ \widehat{\widehat{p}}(1,1,1,1) = \pi_2(1)\pi_4(1|1,1) $）可从测量边缘概率和条件分布的实验组合中识别。
• 该框架允许通过代数几何系统分析可识别性与可行性，且可能利用在图形表示中不可见的对称性。
• 尽管电影示例仅使用简单的代数运算，该方法可推广至复杂模型，此时需依赖计算代数系统，但当前软件限制仍存在，主要源于不等式约束和高维概率空间。