[论文解读] Multi-Level Cause-Effect Systems

Krzysztof Chalupka, Pietro Perona+1 more|arXiv (Cornell University)|Dec 25, 2015

Bayesian Modeling and Causal Inference参考文献 14被引用 4

一句话总结

本文提出了一种通用领域框架，用于从未预先定义因果变量的高维微观数据中发现宏观层面的因果结构。该方法提出一种联合学习因果原因与结果的方法，基于一个基本因果划分，该划分已被证明可从实验数据中学习，并在特定条件下适用于多个聚合层次。

ABSTRACT

We present a domain-general account of causation that applies to settings in which macro-level causal relations between two systems are of interest, but the relevant causal features are poorly understood and have to be aggregated from vast arrays of micro-measurements. Our approach generalizes that of Chalupka et al. (2015) to the setting in which the macro-level effect is not specified. We formalize the connection between micro- and macro-variables in such situations and provide a coherent framework describing causal relations at multiple levels of analysis. We present an algorithm that discovers macro-variable causes and effects from micro-level measurements obtained from an experiment. We further show how to design experiments to discover macro-variables from observational micro-variable data. Finally, we show that under specific conditions, one can identify multiple levels of causal structure. Throughout the article, we use a simulated neuroscience multi-unit recording experiment to illustrate the ideas and the algorithms.

研究动机与目标

• 解决在未预先指定相关宏观因果变量时，特别是在高维数据设置下识别这些变量的挑战。
• 形式化微观测量与宏观因果结构之间的关系，尤其当原因和结果均未知时。
• 开发一种算法，从实验数据中学习基本因果划分——即保留所有因果信息的最粗粒度宏观描述。
• 实现实验设计的优化，以在实验成本高昂时，利用观测数据高效识别宏观变量。
• 建立在何种条件下可从数据中识别并学习多个层次的因果结构。

提出的方法

• 引入基本因果划分的概念，即保留所有因果（而非仅相关）信息的最粗粒度宏观描述。
• 将因果粗化定理推广至高维输入和输出，实现实验数据稀缺时的高效实验设计。
• 采用 α、β 和 γ 的参数化形式，表示刺激（I）、神经反应（H）和宏观变量（J）的联合分布，以实现分析上的可处理性。
• 应用富比尼定理和勒贝格测度理论，证明违反因果粗化约束的分布集合的勒贝格测度为零，从而确保方法在通用条件下的鲁棒性。
• 引入观测约束（OCs）以减少参数空间，通过事先固定宏观变量的划分，使方法能够利用观测数据。
• 通过 Izhikevich 神经元动力学的模拟神经科学实验验证该框架，使用水平条和垂直条等刺激生成已知的宏观响应。

实验结果

研究问题

• RQ1 当缺乏对因果特征的先验知识时，如何从高维微观数据中发现宏观层面的因果变量？
• RQ2 在何种条件下可识别系统中多个层次的因果结构？
• RQ3 当实验数据有限时，如何优化实验设计以学习基本因果划分？
• RQ4 是否可以形式化并证明因果与效应的联合学习方法在现实统计假设下的鲁棒性？
• RQ5 当实验成本高昂或不可行时，观测数据在约束宏观变量搜索空间方面起到何种作用？

主要发现

• 基本因果划分——在最小化宏观粒度的同时保留所有因果信息——可从实验数据中学习。
• 因果粗化定理可推广至高维输入和输出，实现实验数据稀缺时的高效实验设计。
• 违反因果粗化约束的联合分布集合的勒贝格测度为零，证明该方法在通用条件下具有鲁棒性。
• 当数据分布满足特定结构条件时，可识别多个层次的因果结构。
• 可通过参数化形式编码对宏观变量的观测约束，使方法能够利用观测数据缩小搜索空间。
• 该框架具有领域通用性，并通过具有已知真实宏观原因（h-bar、v-bar）和效应（脉冲、节律）的模拟神经科学实验得到验证。