Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles

要約

フィードバック ループは多くの複雑なシステムで重要な役割を果たすことが知られていますが、システムは通常、最初から非周期的であると想定されているため、因果関係発見文献の大部分ではフィードバック ループの存在が無視されています。
フィードバックを伴うシステムによって生成されたデータに非周期設定用に設計された因果発見アルゴリズムを適用する場合、正しい結果が得られるとは期待できません。
この研究では、驚くべきことに、高速因果推論 (FCI) アルゴリズムの出力が、フィードバックを含むシステムによって生成された観測データに適用された場合に正しいことを示します。
より具体的には、単純で $\sigma$ に忠実な構造因果モデル (SCM) によって生成された観測データの場合、FCI は健全かつ完全であり、(i) 因果関係の有無を一貫して推定するために使用できることを証明します。
(ii) 直接的な因果関係の有無、(iii) 交絡因子の不在、および (iv) SCM の因果関係グラフにおける特定のサイクルの不在。
我々は、これらの結果を、因果十分設定（PC アルゴリズムなど）や結合因果推論設定（FCI-JCI アルゴリズムなど）など、特定の形式の背景知識を利用する制約ベースの因果発見アルゴリズムに拡張します。

要約(オリジナル)

While feedback loops are known to play important roles in many complex systems, their existence is ignored in a large part of the causal discovery literature, as systems are typically assumed to be acyclic from the outset. When applying causal discovery algorithms designed for the acyclic setting on data generated by a system that involves feedback, one would not expect to obtain correct results. In this work, we show that — surprisingly — the output of the Fast Causal Inference (FCI) algorithm is correct if it is applied to observational data generated by a system that involves feedback. More specifically, we prove that for observational data generated by a simple and $\sigma$-faithful Structural Causal Model (SCM), FCI is sound and complete, and can be used to consistently estimate (i) the presence and absence of causal relations, (ii) the presence and absence of direct causal relations, (iii) the absence of confounders, and (iv) the absence of specific cycles in the causal graph of the SCM. We extend these results to constraint-based causal discovery algorithms that exploit certain forms of background knowledge, including the causally sufficient setting (e.g., the PC algorithm) and the Joint Causal Inference setting (e.g., the FCI-JCI algorithm).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google