[论文解读] Identifying Causal Effects via Context-specific Independence Relations

Santtu Tikka, Antti Hyttinen+1 more|arXiv (Cornell University)|Sep 21, 2020

Bayesian Modeling and Causal Inference被引用 9

一句话总结

本文提出了一种新颖的微积分方法与自动化搜索程序，用于在存在上下文特定独立性（CSI）关系时，识别结构因果模型中的因果效应。通过将 do-微积分扩展以处理 CSI，该方法使先前使用标准方法被认为不可识别的因果效应得以识别，表明即使仅有少量 CSI 关系，也能使原本不可识别的模型变为可识别。

ABSTRACT

Causal effect identification considers whether an interventional probability distribution can be uniquely determined from a passively observed distribution in a given causal structure. If the generating system induces context-specific independence (CSI) relations, the existing identification procedures and criteria based on do-calculus are inherently incomplete. We show that deciding causal effect non-identifiability is NP-hard in the presence of CSIs. Motivated by this, we design a calculus and an automated search procedure for identifying causal effects in the presence of CSIs. The approach is provably sound and it includes standard do-calculus as a special case. With the approach we can obtain identifying formulas that were unobtainable previously, and demonstrate that a small number of CSI-relations may be sufficient to turn a previously non-identifiable instance to identifiable.

研究动机与目标

• 为解决 do-微积分在处理上下文特定独立性（CSI）关系方面的局限性，这些关系可能导致标准方法失效时因果效应不可识别。
• 使用带标签的DAG（LDAG）形式化在存在CSI时的因果效应识别问题，LDAG编码了随条件变量取值变化的条件独立结构。
• 开发一种可靠且可扩展的自动化搜索程序，利用CSI关系在标准do-微积分失效时识别因果效应。
• 证明少量CSI关系可将原本不可识别的因果模型转变为可识别模型，从而扩展非参数识别的适用范围。

提出的方法

• 作者提出一种新微积分，扩展了do-微积分以整合上下文特定独立性（CSI）关系，使在条件依赖关系随上下文变化时能够操作干预分布。
• 他们使用带标签的DAG（LDAG）形式化问题，LDAG表示随特定条件变量取值定义的上下文而变化的条件独立结构。
• 设计了一种自动化搜索程序，以探索新微积分的规则空间，利用上下文消除、新分离准则及启发式方法以提升可扩展性。
• 该方法将标准do-微积分作为特例集成，确保向后兼容性，同时扩展其范围以处理CSI。
• 搜索程序在算法1中实现，系统性地通过组合上下文特定调整与干预推导识别公式。
• 在搜索过程中消除冗余上下文以提高计算效率，并引入新的分离准则以处理LDAG中基于CSI的d-分离。

实验结果

研究问题

• RQ1 能否将因果效应识别扩展至标准do-微积分之外，以处理上下文特定独立性（CSI）关系？
• RQ2 能否设计一种可靠且可扩展的微积分，以实现存在CSI时的因果效应自动化识别？
• RQ3 在存在CSI的情况下，判断因果效应不可识别性的计算复杂度是多少？
• RQ4 少量CSI关系是否足以使原本不可识别的因果模型变为可识别？
• RQ5 CSI推理在涉及选择偏差、可迁移性或缺失数据的问题中，能在多大程度上提升可识别性？

主要发现

• 在存在CSI的情况下，判断因果效应不可识别性是NP难的，表明在一般情况下存在固有的计算困难。
• 所提出的微积分与搜索程序在理论上是可靠的，能够识别仅靠标准do-微积分无法识别的因果效应。
• 在多个基准示例中，包括存在潜伏混杂因子的情况，该方法成功推导出do-微积分失效时的识别公式。
• 该方法表明，仅需少数CSI关系——如 $X \perp L \mid A=0$ 和 $X \perp Y \mid A=1, L$——即可使原本不可识别的模型变为可识别。
• 该方法可扩展至文献中常见的网络规模，显示出在现实世界因果推断任务中的实际可行性。
• 该方法能够识别复杂结构中的因果效应，例如在不同上下文中同时涉及前门与后门调整的情况，如图13所示，采用结合两种调整类型的混合公式。