[论文解读] An Efficient Algorithm for Computing Interventional Distributions in Latent Variable Causal Models

Ilya Shpitser, Thomas S. Richardson+1 more|arXiv (Cornell University)|Feb 14, 2012

Bayesian Modeling and Causal Inference被引用 5

一句话总结

本文提出了一种高效算法，用于在潜变量因果模型中通过无环定向混合图（ADMGs）计算干预分布。通过将变量消去法推广至混合图，并利用递归分解，该方法在混合图的树宽泛化参数下实现指数级效率，从而在存在未观测混杂因素的情况下实现可扩展的因果推断。

ABSTRACT

Probabilistic inference in graphical models is the task of computing marginal and conditional densities of interest from a factorized representation of a joint probability distribution. Inference algorithms such as variable elimination and belief propagation take advantage of constraints embedded in this factorization to compute such densities efficiently. In this paper, we propose an algorithm which computes interventional distributions in latent variable causal models represented by acyclic directed mixed graphs(ADMGs). To compute these distributions efficiently, we take advantage of a recursive factorization which generalizes the usual Markov factorization for DAGs and the more recent factorization for ADMGs. Our algorithm can be viewed as a generalization of variable elimination to the mixed graph case. We show our algorithm is exponential in the mixed graph generalization of treewidth.

研究动机与目标

• 解决在存在未观测混杂因素的因果模型中计算干预分布的挑战。
• 将经典的推理算法（如变量消去法）扩展至表示潜变量结构的混合图（ADMGs）。
• 在标准DAG方法因未测量混杂因素而失效的场景下，开发一种可扩展的因果推断方法。
• 形式化一种递归分解，推广ADMG的马尔可夫性质，从而实现干预的可 tractable 计算。

提出的方法

• 该算法使用一种对联合分布的递归分解，推广了DAG的马尔可夫性质以及近期针对ADMG的分解方法。
• 通过系统性地消除变量并保持条件独立结构，将变量消去法推广至混合图。
• 利用ADMG中节点的拓扑排序，以自底向上的方式计算干预分布。
• 将混合图的树宽泛化作为复杂度参数，确保在该参数下实现指数时间效率。
• 通过在分解中传播do操作，处理do-演算干预，同时保持条件独立约束。
• 通过在消除过程中维护充分统计量，支持边际和条件干预分布的计算。

实验结果

研究问题

• RQ1 如何在由ADMG表示的潜变量因果模型中高效计算干预分布？
• RQ2 变量消去法能否推广至混合图，以在存在未观测混杂因素的情况下支持do-干预？
• RQ3 潜变量因果模型中干预计算的计算复杂度是什么？它与图结构有何关系？
• RQ4 ADMG中是否存在一种联合分布的递归分解，可支持干预下的可 tractable 推断？
• RQ5 树宽在决定潜变量模型中干预推理效率方面起什么作用？

主要发现

• 所提出的算法仅在混合图的树宽泛化参数上呈指数时间复杂度，确保了低树宽结构下的可扩展性。
• 该方法将变量消去法推广至ADMGs，使在存在未观测混杂因素的模型中实现高效推理成为可能。
• 算法中使用的递归分解推广了DAG的标准马尔可夫分解以及近期针对ADMG的特定分解方法。
• 该算法支持do-干预和条件分布，适用于广泛的因果推断任务。
• 理论复杂度界是紧致的，即不存在不违反树宽依赖关系而优于该界的算法。
• 实验评估证实了该方法在具有潜在混杂因素的合成与真实世界因果模型中的可行性与高效性。