# D'ya like DAGs ## 概要 Matthew J. Vowels・Necati Cihan Camgoz・Richard Bowden(University of Surrey)による ACM Computing Surveys 55(4) 掲載のサーベイ。介入実験が費用・倫理・実行可能性の理由で行えないとき、観測データのみから因果構造をどう推定するかという問題を扱う。**連続最適化を利用する近年の手法に重点を置く**点が同種のサーベイとの違いで、組合せ探索に基づく古典的手法(制約ベース・スコアベース)と対比して整理する。最後に、**推定された構造を因果と解釈するために必要な「仮定の飛躍(assumptive leap)」**を明示的に論じる。 > [!abstract] 概要(abstract の日本語訳) > 因果推論は科学と人間の知能の決定的な一部である。データから因果関係を発見するためには、構造発見の手法が必要である。我々は背景となる理論のレビューと、構造発見の手法のサーベイを与える。主として、連続最適化を活用する近年の手法に焦点を当て、ベンチマークデータセットやソフトウェアパッケージといった追加の資源への参照も示す。最後に、構造から因果へ至るために必要とされる仮定の飛躍について論じる。 ## 書誌情報 - 著者: Matthew J. Vowels, Necati Cihan Camgoz, Richard Bowden(CVSSP, University of Surrey, U.K.) - 媒体: ACM Computing Surveys 55(4), Article 82 - 発表: 2022-11-21(arXiv:2103.02582v2, 2021-03-04) - URL: https://doi.org/10.1145/3527154 - 構成: 全 6 章(35 PDF ページ) - 原本: `.raw/theses/arxiv-2103.02582/` ## 構成と主要テーマ 本サーベイは「なぜ観測データからか(第 1 章)→ 何を仮定すれば何が言えるか(第 2 章)→ 手法の全体地図(第 3 章)→ 古典的な組合せ探索(第 4 章)→ 近年の連続最適化(第 5 章)→ 構造は因果か(第 6 章)」という順で進む。**分量の重心は第 5 章(11 ページ)にあり**、著者が「主として焦点を当てる」と宣言した連続最適化パラダイムが中心である。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 1 Introduction]] — 介入実験が費用・倫理・実行可能性の理由で行えない状況を出発点に、未観測交絡・選択バイアス・因果関係の事前未知性という 3 課題を提示し、連続最適化に主眼を置く本サーベイの立場を述べる。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]] — **本サーベイの理論的土台**。因果マルコフ条件・非巡回性・d 分離・d 忠実性・因果的十分性・識別可能性という仮定を名前付きで定義し、DAG → CPDAG(MEC)→ ADMG/MAG → PAG という、未観測交絡と選択バイアスへの耐性を段階的に拡張するグラフ表現の階層を提示する。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 3 Structure Discovery Methods]] — 手法の全体地図。制約ベース・スコアベース・構造的非対称性・介入利用の 4 系統(および組合せ / 連続最適化、局所 / 大域という軸)に整理し、加法ノイズモデル・時系列因果性(Granger・CCM)・評価指標(TPR/FPR/AOC/SHD/SID)を導入する。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 4 Combinatoric and Search Based Approaches]] — **DAG 空間の超指数的爆発**(10 変数で 4×10¹⁸ 超)と NP 困難性を示したうえで、連続最適化を用いない 71 手法(PC・FCI・GES・LiNGAM ほか)を Type・Suff./Faith./Acycl./Interv./Output の列で一覧する。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 5 Continuous Optimization Based Approaches]] — **本サーベイの中心章**。非巡回性を等式制約 $h(A)=\mathrm{tr}(e^{A\odot A})-d=0$ に置き換える転換を NO TEARS(2018)を起点に体系化し、計算量削減・制約強度の緩和・非線形化という 3 系譜に沿って 30 手法を整理する。 → [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]] — 連続最適化に残る技術的課題(高次元・非意味論的データ、強化学習、未観測交絡 / 循環)を挙げたのち、**「因果の跳躍」**——構造発見の出力を因果と解釈することへの哲学的批判——を論じ、それでもなお探索的用途では有用でありうると結論する。 ## 位置づけと影響 - **本サーベイは自らの主題を最後に相対化する**。第 2 章が仮定の体系を丁寧に積み上げ、第 4〜5 章が 100 本超の手法を整理したうえで、第 6 章は因果マルコフ条件を「矢印を因果的と解釈する大胆な追加解釈にすぎない」と批判し、Korb & Wallace の「輝かしい倒錯(glorious perversion)」という評を引く。**手法を網羅した論文が、その出力の解釈可能性そのものに留保を付けている**。 - **この留保は実務側の手法群と突き合わせると重い**。[[Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications]](Soldani & Brogi、2021)の §4.3.3 によれば、監視メトリクスから根本原因を特定する手法群(CauseInfer・Microscope・CloudRanger ほか)は**LOUD を除く全手法が PC アルゴリズムで因果グラフを構築する**。本サーベイの「因果の跳躍」批判は、まさにその出力を「根本原因」と呼ぶ実務の前提に向けられている。この対応を [[因果発見]] の横断的知見に記録した。 - **連続最適化への転換は、何かを得て何かを持ち込んだ**。組合せ探索が DAG 空間の超指数的爆発に直面するのに対し、非巡回性を連続な等式制約へ置き換えることで勾配法が使えるようになった。一方で第 5 章の担当が記録したとおり、**識別可能性の議論が空白のまま拡張が進み**、ハード制約からソフト制約への緩和(NO FEARS → GOLEM)は新しい不確実性を持ち込み、事後の閾値処理が必須になった。 - **原本内の矛盾を 1 件検出した**。NODAG(Varando 2020)は本文で「非巡回性制約を課さない」と明記され節題も "DAGs without Imposing Acyclicity" だが、Table 2 では Acycl.=yes と記載される。解消せず両論併記で記録した。 - **分類の偏り**: 第 4 章の Table 1 では 29 件中 26 件が制約ベースまたはスコアベースで、サンプリングベースは 4 件にとどまる。この偏りの理由は本サーベイでは検証されておらず、[[因果発見]] の未解決の問いに記録した。 ## 関連 - 概念: [[因果発見]] / [[因果推論ベースRCA]] ## 出典 - Matthew J. Vowels, Necati Cihan Camgoz, and Richard Bowden, "D'ya like DAGs? A Survey on Structure Learning and Causal Discovery", *ACM Computing Surveys*, 55(4), Article 82, 2022.