[论文解读] On the Properties of MVR Chain Graphs

Mohammad Ali Javidian, Marco Valtorta|arXiv (Cornell University)|Mar 9, 2018

Complex Network Analysis Techniques参考文献 31被引用 3

一句话总结

本文提出了一种多变量回归链图（MVR CGs）的替代局部马尔可夫性质，并在组合半图模型条件下建立了其与现有马尔可夫性质的等价性。本文引入了一种新的显式因子分解公式，不同于以往的研究，并证明了在半图模型下所有标准马尔可夫性质均等价，显著推进了MVR CGs在图模型中的理论基础。

ABSTRACT

Depending on the interpretation of the type of edges, a chain graph can represent different relations between variables and thereby independence models. Three interpretations, known by the acronyms LWF, MVR, and AMP, are prevalent. Multivariate regression chain graphs (MVR CGs) were introduced by Cox and Wermuth in 1993. We review Markov properties for MVR chain graphs and propose an alternative global and local Markov property for them. Except for pairwise Markov properties, we show that for MVR chain graphs all Markov properties in the literature are equivalent for semi-graphoids. We derive a new factorization formula for MVR chain graphs which is more explicit than and different from the proposed factorizations for MVR chain graphs in the literature. Finally, we provide a summary table comparing different features of LWF, AMP, and MVR chain graphs.

研究动机与目标

• 为组合半图模型下的MVR链图开发一种替代的局部马尔可夫性质，使其与现有马尔可夫性质等价。
• 推导一种新的、更显式的MVR链图因子分解准则，与文献中以往的表述形式不同。
• 比较并统一MVR CGs的多种马尔可夫性质（全局、成对、块递归等），并确定其等价的条件。
• 对LWF、AMP和MVR链图的特征进行全面比较，强调MVR CGs中双箭头边的因果可解释性。

提出的方法

• 基于链分量中的祖先关系与前驱关系，提出一种新的MVR CGs局部马尔可夫性质，利用前驱集与父集的概念。
• 应用组合图模型的性质——分解、弱并集、收缩与对称性——在半图模型假设下推导马尔可夫性质之间的等价性。
• 受Evans和Richardson（2014）对无环定向混合图（ADMGs）因子分解的启发，推导出一种适用于MVR CG结构的新因子分解公式。
• 使用基于路径的分离准则（m-分离）与祖先排序，形式化马尔可夫性质并证明其等价性。
• 对链分量的连通与非连通子集进行案例分析，以验证在不同结构配置下所提出的局部马尔可夫性质的有效性。
• 通过总结表格比较LWF、AMP与MVR链图，突出其在边解释、马尔可夫性质与条件独立行为方面的差异。

实验结果

研究问题

• RQ1 在组合半图模型假设下，是否存在一种新的MVR链图局部马尔可夫性质，使其与现有性质等价？
• RQ2 与以往工作相比，能否为MVR链图推导出一种更显式且不同的因子分解公式？
• RQ3 在何种条件下，MVR CGs的多种马尔可夫性质（全局、成对、块递归等）是等价的？
• RQ4 MVR CGs的结构与独立性性质与LWF和AMP CGs相比有何异同？

主要发现

• 证明了MVR链图的一种替代局部马尔可夫性质，其在组合半图模型下与文献中其他马尔可夫性质等价。
• 当独立性模型为组合半图模型时，所有标准马尔可夫性质（全局、成对、块递归等）在MVR CGs中均等价。
• 推导出一种新的显式因子分解公式，其与以往表述不同，能更清晰地分解联合分布。
• MVR CGs中的双箭头边具有强因果解释，表示未观测到的共同原因，而这一解释在LWF或AMP模型中并不那么直接。
• 所提出的因子分解比早期因子分解更显式，且在结构上更契合底层图结构。
• 提供了一份全面的比较表格，突出显示LWF、AMP与MVR链图在边解释、马尔可夫性质与条件独立行为方面的关键差异。