[论文解读] Discovery and Visualization of Nonstationary Causal Models

Kun Zhang, Biwei Huang+3 more|arXiv (Cornell University)|Sep 27, 2015

Bayesian Modeling and Causal Inference参考文献 21被引用 6

一句话总结

本文提出了一套原则性框架，用于在因果机制随时间或跨领域变化的数据中发现并可视化非平稳因果模型。该框架引入了一种增强的约束基础方法，以检测非平稳变量并恢复因果骨架，利用分布变化推断因果方向，并提供机制非平稳性的可视化——在fMRI和WiFi数据集上验证了更高的准确率和更低的误报率。

ABSTRACT

It is commonplace to encounter nonstationary data, of which the underlying generating process may change over time or across domains. The nonstationarity presents both challenges and opportunities for causal discovery. In this paper we propose a principled framework to handle nonstationarity, and develop some methods to address three important questions. First, we propose an enhanced constraint-based method to detect variables whose local mechanisms are nonstationary and recover the skeleton of the causal structure over observed variables. Second, we present a way to determine some causal directions by taking advantage of information carried by changing distributions. Third, we develop a method for visualizing the nonstationarity of causal modules. Experimental results on various synthetic and real-world data sets are presented to demonstrate the efficacy of our methods.

研究动机与目标

• 解决因果发现中因果机制随时间或跨领域变化的非平稳数据所面临的挑战。
• 在识别出具有非平稳局部机制的变量的同时，恢复观测变量之间的因果骨架。
• 利用分布变化推断因果方向，突破平稳性假设下的限制。
• 开发一种可视化技术，以表示因果机制随时间或领域变化的特征。
• 在合成数据和真实世界数据集（包括fMRI和WiFi信号强度数据）上验证该框架，以证明其鲁棒性和实际应用价值。

提出的方法

• 通过将时间或领域索引作为额外变量引入，增强约束基础因果发现方法，以检测局部机制中的非平稳性。
• 使用条件独立性检验（例如KCI）结合领域/时间索引变量，识别机制非平稳的变量并恢复因果骨架。
• 应用一种方向判定方法，利用不同领域或时间点间条件分布的变化，基于非平稳依赖关系中的不对称性来推断因果顺序。
• 通过随时间或跨领域绘制估计的条件分布或机制参数（例如回归系数）来可视化非平稳性。
• 假设弱因果充分性，即未观测的混杂因素可建模为时间或领域索引的平滑函数，以保持可识别性。
• 使用显著性水平（例如α = 0.05）来判断哪些特征或变量在不同领域或时间段内表现出统计上显著的非平稳性。

实验结果

研究问题

• RQ1 在随时间或跨领域出现分布变化的数据中，如何检测其局部因果机制具有非平稳性的变量？
• RQ2 当标准可识别性假设失效时，能否利用分布变化所携带的信息推断因果方向？
• RQ3 如何有效可视化非平稳因果机制在时间或跨领域上的性质及其演化过程？
• RQ4 与标准约束基础方法相比，引入非平稳性在多大程度上提升了因果结构恢复的准确性？
• RQ5 所提出的框架能否应用于具有复杂时变依赖关系的真实世界数据，如fMRI或WiFi信号数据？

主要发现

• 与原始的SGS-KCI方法相比，该增强的约束基础方法在fMRI数据中将误报率从62.86%降低至17.14%，证明了因果骨架恢复的改进。
• 该方法成功识别出与已知神经科学发现一致的稳健因果连接——CA3→CA1 和 CA1→Sub，验证了其生物学合理性。
• 在fMRI数据中，与解剖连接参考相比，因果方向判定的准确率达到85.71%，表明非平稳性被有效用于方向推断。
• 在WiFi数据集中，仅有8个特征被发现具有领域可变性，特征间连接数从52条减少至26条，表明结构更稀疏且更易解释。
• 推断出的因果图大多为无环图，支持在弱因果充分性假设下使用约束基础方法的有效性。
• 该框架有效捕捉了因果机制随时间或领域变化的特征，实现了非平稳性的可视化，并支持领域自适应应用。