[论文解读] Nonparametric Quantile-Based Causal Discovery

Nataša Tagasovska, Thibault Vatter+1 more|arXiv (Cornell University)|Jan 31, 2018

Bayesian Modeling and Causal Inference参考文献 46被引用 8

一句话总结

本文提出分位数Copula因果发现（QCCD），一种非参数方法，利用分位数评分和基于Copula的条件分位数估计，识别二元观测数据中的因果方向。通过利用分位数关系中的不对称性，而无需假设参数形式，QCCD在真实和合成数据集上实现了最先进的性能，且计算效率高、可扩展性强。

ABSTRACT

Telling cause from effect using observational data is a challenging problem, especially in the bivariate case. Contemporary methods often assume an independence between the cause and the generating mechanism of the effect given the cause. From this postulate, they derive asymmetries to uncover causal relationships. In this work, we propose such an approach, based on the link between Kolmogorov complexity and quantile scoring. We use a nonparametric conditional quantile estimator based on copulas to implement our procedure, thus avoiding restrictive assumptions about the joint distribution between cause and effect. In an extensive study on real and synthetic data, we show that quantile copula causal discovery (QCCD) compares favorably to state-of-the-art methods, while at the same time being computationally efficient and scalable.

研究动机与目标

• 解决传统方法依赖于严格独立性假设时，在二元观测数据中识别因果方向的挑战。
• 开发一种避免对原因与结果之间联合分布形式作参数假设的方法。
• 利用非参数技术，基于分位数关系中的不对称性进行因果推断。
• 相比现有最先进的因果发现方法，提升计算效率和可扩展性。

提出的方法

• 该方法使用基于Copula的非参数条件分位数估计器，以建模原因与结果之间的关系，而无需假设特定的参数形式。
• 建立Kolmogorov复杂度与分位数评分之间的联系，以检测指示因果方向的不对称性。
• 采用Copula来建模给定原因下结果的条件分布，实现灵活且稳健的估计。
• 通过反转原因-结果角色并测量分位数预测性能的差异，来识别因果方向。
• 依赖分位数评分来评估不同分位数上的预测性能，揭示出指示因果关系的不对称性。
• 该方法设计为计算高效且可扩展，适用于大规模数据集。

实验结果

研究问题

• RQ1 观测数据中基于分位数的不对称性是否能可靠地指示二元设定下的因果方向？
• RQ2 所提出的QCCD方法在准确性和效率方面与最先进的因果发现技术相比如何？
• RQ3 与参数替代方法相比，基于Copula的分位数估计在多大程度上提高了对分布假设的鲁棒性？
• RQ4 当应用于大规模或高维数据集时，QCCD方法的可扩展性如何？

主要发现

• QCCD在合成数据集和真实世界数据集上均优于最先进的因果发现方法，能够更准确地识别正确的因果方向。
• 该方法实现了高计算效率和可扩展性，适用于大规模应用场景。
• 通过采用基于Copula的分位数估计，QCCD避免了对原因与结果联合分布的严格参数假设。
• Kolmogorov复杂度与分位数评分之间的联系，使得无需强建模假设即可稳健检测因果不对称性。
• 实证评估证实，基于分位数的不对称性在缺乏干预的情况下为因果发现提供了可靠信号。
• QCCD在多种数据类型和分布设定下均表现出色，凸显其良好的泛化能力。