When Selection Meets Intervention: Additional Complexities in Causal Discovery

要約

被験者が実験に選択的に登録されている介入研究における一般的であるが見過ごされている選択バイアスに対処します。
たとえば、薬物試験の参加者は通常、関連する疾患の患者です。
モバイルアプリケーションでのA/Bテストは、既存のユーザーのみを対象としており、遺伝子摂動研究は通常、がん細胞などの特定の細胞タイプに焦点を当てています。
このバイアスを無視すると、誤った因果発見の結果が得られます。
認識されたとしても、介入因果発見の既存のパラダイムは依然としてそれに対処できません。
これは、介入がいつどこで発生するかの微妙な違いが、統計パターンが著しく異なる可能性があるためです。
観察された世界（介入が適用される場合）と反事実的な世界（介入が適用されていない間に選択が発生する場合）の両方を明示的に説明するグラフィカルモデルを導入することにより、この動的をキャプチャします。
モデルのマルコフの特性を特徴付け、因果関係を特定するための証明的に健全なアルゴリズムを提案し、ソフト介入と未知のターゲットを備えたデータから、同等のクラスまでの選択メカニズムを特定します。
合成および実世界の実験を通じて、選択バイアスの存在にもかかわらず、アルゴリズムが真の因果関係を効果的に識別することを実証します。

要約(オリジナル)

We address the common yet often-overlooked selection bias in interventional studies, where subjects are selectively enrolled into experiments. For instance, participants in a drug trial are usually patients of the relevant disease; A/B tests on mobile applications target existing users only, and gene perturbation studies typically focus on specific cell types, such as cancer cells. Ignoring this bias leads to incorrect causal discovery results. Even when recognized, the existing paradigm for interventional causal discovery still fails to address it. This is because subtle differences in when and where interventions happen can lead to significantly different statistical patterns. We capture this dynamic by introducing a graphical model that explicitly accounts for both the observed world (where interventions are applied) and the counterfactual world (where selection occurs while interventions have not been applied). We characterize the Markov property of the model, and propose a provably sound algorithm to identify causal relations as well as selection mechanisms up to the equivalence class, from data with soft interventions and unknown targets. Through synthetic and real-world experiments, we demonstrate that our algorithm effectively identifies true causal relations despite the presence of selection bias.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google