[论文解读] Improved Causal Discovery from Longitudinal Data Using a Mixture of DAGs

Eric V. Strobl|arXiv (Cornell University)|Jan 28, 2019

Bayesian Modeling and Causal Inference被引用 5

一句话总结

本文提出使用有向无环图（DAGs）的混合模型来建模纵向生物医学数据中可能随时间演变或在不同人群中变化的因果过程。Causal Inference over Mixtures（CIM）算法从纵向数据中推断出一个总结图，通过捕捉时变和异质的因果结构，相较于先前方法在因果发现性能上有所提升。

ABSTRACT

Causal processes in biomedicine may contain cycles, evolve over time or differ between populations. However, many graphical models cannot accommodate these conditions. We propose to model causation using a mixture of directed cyclic graphs (DAGs), where the joint distribution in a population follows a DAG at any single point in time but potentially different DAGs across time. We also introduce an algorithm called Causal Inference over Mixtures that uses longitudinal data to infer a graph summarizing the causal relations generated from a mixture of DAGs. Experiments demonstrate improved performance compared to prior approaches.

研究动机与目标

• 解决现有图模型在处理生物医学中循环、时变或人群异质性因果过程方面的局限性。
• 使用DAG混合模型对纵向数据进行建模，其中每个时间点对应一个不同的DAG，以灵活表示动态因果系统。
• 开发一种算法，能够从纵向数据中推断出反映随时间或亚群变化的潜在因果变化的连贯总结图。
• 通过显式建模因果结构的时间和人群层面变化，提升因果发现的准确性。

提出的方法

• 将纵向数据的联合分布建模为DAG混合模型，其中每个分量代表某一特定时间点的DAG。
• 采用概率框架表示该混合模型，允许不同DAG结构在不同时间点控制数据。
• 设计Causal Inference over Mixtures（CIM）算法，从观测到的纵向数据中估计混合分量及其关联的DAG结构。
• 利用时间顺序和条件独立性检验，识别时间特定的因果结构，并推断反映混合结构的总结图。
• 对每个时间点的数据子集应用结构学习技术，然后整合结果以形成连贯的时间感知因果图。
• 引入纵向数据的约束以提高因果结构学习中的可识别性并减少过拟合。

实验结果

研究问题

• RQ1 DAG混合模型能否有效建模纵向生物医学数据中随时间变化的因果关系？
• RQ2 当底层因果图在不同时间点发生变化时，如何从纵向数据中推断因果结构？
• RQ3 与现有方法相比，所提出的CIM算法在动态或异质性数据上的因果发现性能提升程度如何？
• RQ4 该混合模型在保持可识别性和可解释性的同时，能否捕捉人群层面的因果结构差异？

主要发现

• 所提出的DAG混合模型能有效捕捉纵向数据中的时变因果结构，相较于静态DAG模型，可实现更准确的因果发现。
• CIM算法成功推断出反映底层DAG混合结构的总结图，在合成数据和真实纵向数据集上均表现出性能提升。
• 实验结果表明，当因果关系随时间演变时，该方法在识别正确因果结构方面优于先前方法。
• 该模型对人群异质性具有鲁棒性，能够区分时间依赖性与人群特异性因果变化。