[论文解读] Characterization and Greedy Learning of Interventional Markov Equivalence Classes of Directed Acyclic Graphs

Alain Hauser, Peter Bühlmann|arXiv (Cornell University)|Apr 14, 2011

Bayesian Modeling and Causal Inference参考文献 38被引用 240

一句话总结

本文提出了干预性马尔可夫等价类（interventional Markov equivalence classes）用于有向无环图（DAGs），将观测性马尔可夫等价关系扩展至包含多种干预实验的数据。提出了一种图论表示方法，称为干预性基本图（interventional essential graph），并将其推广至广义的贪婪等价搜索（Greedy Equivalence Search, GES）算法，形成贪婪干预性等价搜索（Greedy Interventional Equivalence Search, GIES）算法，显著提升了结合观测与干预数据下的因果结构可识别性。

ABSTRACT

The investigation of directed acyclic graphs (DAGs) encoding the same Markov property, that is the same conditional independence relations of multivariate observational distributions, has a long tradition; many algorithms exist for model selection and structure learning in Markov equivalence classes. In this paper, we extend the notion of Markov equivalence of DAGs to the case of interventional distributions arising from multiple intervention experiments. We show that under reasonable assumptions on the intervention experiments, interventional Markov equivalence defines a finer partitioning of DAGs than observational Markov equivalence and hence improves the identifiability of causal models. We give a graph theoretic criterion for two DAGs being Markov equivalent under interventions and show that each interventional Markov equivalence class can, analogously to the observational case, be uniquely represented by a chain graph called interventional essential graph (also known as CPDAG in the observational case). These are key insights for deriving a generalization of the Greedy Equivalence Search algorithm aimed at structure learning from interventional data. This new algorithm is evaluated in a simulation study.

研究动机与目标

• 将DAG中马尔可夫等价性的概念扩展至包含干预数据，实现对因果模型的更细粒度划分。
• 开发一种图论表示方法——干预性基本图，以唯一表征干预性马尔可夫等价类。
• 将贪婪等价搜索（Greedy Equivalence Search, GES）算法推广至干预场景，形成贪婪干预性等价搜索（Greedy Interventional Equivalence Search, GIES）算法。
• 通过在统一框架下联合利用观测与干预分布，提升因果结构的可识别性。

提出的方法

• 提出一种图论准则，用于判断在给定干预集合下，两个DAG是否在干预条件下马尔可夫等价。
• 引入干预性基本图作为干预性马尔可夫等价类的唯一且完整表示，其作用类似于观测情形下的CPDAG。
• 定义干预可进一步细化DAG划分的条件，超越观测性马尔可夫等价关系，从而增强因果可识别性。
• 设计算法操作，以高效遍历干预性基本图的空间。
• 将贪婪等价搜索（Greedy Equivalence Search, GES）算法推广至处理干预数据，形成贪婪干预性等价搜索（Greedy Interventional Equivalence Search, GIES）算法。
• 通过模拟研究验证GIES算法，结果表明其在干预条件下的结构学习性能显著提升。

实验结果

研究问题

• RQ1 如何将DAG之间的马尔可夫等价性扩展至包含干预数据？在何种条件下，干预可细化等价类？
• RQ2 何种图论结构可唯一表征干预性马尔可夫等价类？其具备哪些性质？
• RQ3 如何将贪婪等价搜索（GES）算法适配于从观测与干预数据中学习因果结构？
• RQ4 与仅使用观测数据相比，干预在多大程度上提升了因果模型的可识别性？
• RQ5 哪些算法操作可实现对干预性基本图空间的高效搜索，以支持结构学习？

主要发现

• 干预性马尔可夫等价性对DAG的划分严格细于观测性马尔可夫等价性，因此在合理的干预假设下，显著提升了因果模型的可识别性。
• 每个干预性马尔可夫等价类均可由一个唯一的干预性基本图唯一表征，该图将CPDAG结构推广至干预场景。
• 贪婪干预性等价搜索（GIES）算法成功将GES推广至干预数据，实现了该场景下的正则化最大似然估计。
• GIES算法在模拟数据上的结构学习任务中表现更优，尤其在解决观测数据中仍存在歧义的边方向问题上效果显著。
• 通过图论构造与环路避免论证，建立了若干理论结果，包括在干预条件下满足特定父节点与邻接节点约束的DAG存在的充分性。
• GIES的实现计划集成至R包 pcalg 中，预发布版本可应要求提供。