원인-결과 관계의 분포 불변성을 활용한 인과 그래프 학습

Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship

본 논문에서는 관찰 데이터로부터 인과 그래프를 복원하는 새로운 프레임워크를 제시합니다. 이 프레임워크는 원인에 의해 조건화된 효과의 분포가, 해당 원인들의 사전 분포 변화에 불변한다는 관찰을 활용합니다. 이러한 통찰력을 통해, 데이터의 여러 하위 집합에 걸쳐 해당 효과-원인 조건 분포의 분산을 확인하여 잠재적인 인과 관계를 직접적으로 검증할 수 있습니다. 이러한 하위 집합은 효과-원인 조건 관계를 유지하면서 다양한 사전 원인 분포를 반영하도록 선택됩니다. 이 불변성 검정과 대부분의 인과 그래프의 (경험적인) 희소성을 활용하여, 개발된 알고리즘은 관찰 변수의 개수에 대해 2차 복잡도를 가지며, 최첨단 방법과 비교하여 최대 25배까지 처리 시간을 단축합니다. 다양한 대규모 데이터셋으로 진행된 실험 결과, 기존 연구와 비교하여 우수한 또는 동등한 성능을 보였으며, 향상된 확장성을 달성했습니다.

This paper introduces a new framework for recovering causal graphs from observational data, leveraging the observation that the distribution of an effect, conditioned on its causes, remains invariant to changes in the prior distribution of those causes. This insight enables a direct test for potential causal relationships by checking the variance of their corresponding effect-cause conditional distributions across multiple downsampled subsets of the data. These subsets are selected to reflect different prior cause distributions, while preserving the effect-cause conditional relationships. Using this invariance test and exploiting an (empirical) sparsity of most causal graphs, we develop an algorithm that efficiently uncovers causal relationships with quadratic complexity in the number of observational variables, reducing the processing time by up to 25x compared to state-of-the-art methods. Our empirical experiments on a varied benchmark of large-scale datasets show superior or equivalent performance compared to existing works, while achieving enhanced scalability.