隠れた変数モデルにおける完全な制約の導出に関する技術的サマリー

本論文「Deriving Complete Constraints in Hidden Variable Models」は、隠れた変数（Latent Variables）を含む構造モデルにおいて、観測可能な分布に対して課される完全な制約（不等式および等式）を体系的に導出する手法を提案しています。従来の手法では見落とされがちだった複雑な制約を特定し、モデルの検証や推定効率の向上に寄与することを目的としています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題定義と背景

• 背景: 隠れた変数を含む因果モデル（構造的方程式モデル、NPSEM）は、観測変数間の単純な条件付き独立性だけでなく、より複雑な観測可能な制約（不等式や等式）を暗示することがあります。
• 課題:
  • これらの制約は、観測データがモデルの仮定と矛盾するかどうかを検証（反証）するために不可欠です。
  • しかし、完全な制約セット（すべての観測可能な制約）を特定することは、状態空間が大きくなるにつれて計算的に困難です。
  • 既存の手法（Bonet, 2001 の線形計画法や Fourier-Motzkin 消去法など）は、特定の設定（例：2値の道具変数）では機能しますが、一般的な設定では非現実的であったり、不完全であったりします。
  • ネスト・マルコフ（Nested Markov）モデルに基づく手法は等式制約のみを扱い、不等式制約を捉えきれないという限界があります。
• 目的: 離散観測変数を持つモデルにおいて、線形関係を用いて観測分布を記述できる「線形モデル」のクラスに対して、完全な観測制約セットを導出する体系的な手法を開発すること。

2. 手法と理論的枠組み

著者らは、Bonet (2001) の手法を拡張し、より一般的な隠れた変数 DAG（有向非巡回グラフ）に適用可能なアルゴリズムを提案しました。

2.1 前提条件と定義

• モデルのクラス: 観測変数が離散・有限であり、観測分布が「応答関数変数（Response Function Variables）」との線形関係で完全に特徴づけられるモデル（Duarte et al., 2023 の「線形」モデル）。
• District（地区）と c-degree:
  • 隠れた変数によって連結された観測変数の集合を「地区（District）」と呼びます。
  • c-degree: 地区内の変数に共通する隠れた親の最大数を指します。本手法は、c-degree が 1（各地区に高々 1 つの共通の隠れた親しか存在しない）の DAG に対して完全な制約を導出します。
• 応答関数変数変換: 隠れた変数を離散的な「応答関数変数（$R_{W_i}$）」に変換し、観測変数の値が親変数とこの関数によって決定されるようにモデルを再構成します。

2.2 導出アルゴリズム

1. 条件付き独立性の列挙: d-separation 基準を用いて、DAG から導かれる標準的な独立性制約をリストアップします。
2. 地区の特定と変換: DAG を地区に分割し、各地区に対して応答関数変数への変換を行います。
3. 線形制約の構築:
   • 各地区について、観測確率と応答関数変数の確率の間の線形関係（$p = Br$）を導出します（Proposition 1）。
   • ここで、$p$ は観測可能な確率ベクトル、$r$ は観測不可能な応答関数変数の確率ベクトル、$B$ は 0 と 1 からなる行列です。
4. 頂点から半空間への変換（V-to-H Conversion）:
   • 上記の線形システムを、観測確率のみで記述される凸多面体（Polyhedron）の表現に変換します。
   • 具体的には、計算幾何学のアルゴリズム（例：double description method, cddlib）を用いて、頂点表現（V-representation）を半空間表現（H-representation: $Hp \leq b$）に変換します。
   • これにより、観測分布が満たすべき等式制約と不等式制約の完全なセットが得られます。
5. 非自明な制約の識別:
   • 得られた制約のうち、確率の公理（総和が 1、非負など）を超えて分布を制限する「非自明な制約」を特定します。
   • 非自明な制約は、確率単体（Simplex）の極点（Extreme Points）において違反されるかどうかをチェックすることで識別されます（Proposition 4）。

3. 主要な貢献

1. 完全な制約導出アルゴリズムの一般化:
   • Bonet (2001) の道具変数（IV）設定に限定されていた手法を、c-degree が 1 の任意の隠れた変数 DAG へと拡張しました。
   • このクラスにおいて、導出された制約が**必要十分（完全）**であることを証明しました（Proposition 3）。
2. 等式と不等式の両方の制約の統合:
   • ネスト・マルコフモデルが扱う等式制約（Verma 制約など）だけでなく、不等式制約（Pearl の道具変数不等式など）も統一的に導出できます。
   • 完全な制約セットは、ネスト・マルコフモデルの分布クラスよりも狭い（より制約が厳しい）サブクラスを特徴づけることを示しました。
3. 不完全な線形制約への拡張アプローチ:
   • c-degree が 2 以上の場合（完全性が保証されない場合）でも、隠れた変数をマージして c-degree を 1 にする前処理を行うことで、少なくとも一部の有効な制約を導出できることを示しました。
4. 観測的等価性の利用:
   • 異なる c-degree を持つ DAG が観測的に等価である場合、より低い c-degree の DAG へ変換することで、完全な制約を導出可能にするための定理（Proposition 5, 6, 7）を提示しました。

4. 結果と実証例

著者らは、いくつかの新しい設定で手法を適用し、既知の制約の回復と新規制約の発見を実証しました。

• 逐次道具変数（Sequential IV）: 複数の districts を持つモデルで、各 district に対して道具変数不等式が導出されることを確認。
• ネスト等価だが不等式が異なるモデル: ネスト・マルコフ等価な 2 つのグラフが、不等式制約の観点からは異なることを示しました。一方のグラフでは非自明な不等式制約が存在しますが、他方は存在しないというケースを特定しました。
• 3 部ベルグラフ（Tripartite Bell Graphs）: 量子物理学で有名なモデルにおいて、アルゴリズムが 0.5 時間未満で53,894 個の制約（そのうち 53,856 個が不等式）を導出しました。これらは既知の文献（Śliwa, 2003; Pironio et al., 2011）と一致しており、完全なセットであることが確認されました。
• フロントドアモデル: このモデルには非自明な制約がないことが知られており、アルゴリズムが「非自明」としてフラグを立てた制約が、実際には自明な確率の制約に帰着することを確認しました。

5. 意義と将来の展望

• 因果発見（Causal Discovery）への応用:
  • 従来の条件付き独立性テストや等式制約だけでは区別できない因果モデルを、不等式制約を用いてさらに細かく分類（層別化）できる可能性があります。
  • 隠れた変数を含むモデルの同値クラスをより精密に定義する手段を提供します。
• 統計的推論と部分識別:
  • 制約条件を推定手続きに組み込むことで、統計的効率を向上させることができます。
  • 部分識別（Partial Identification）の範囲を狭めるために利用可能です。
• 実用性:
  • 実装コードは GitHub で公開されており、離散変数を持つ実データへの適用が可能です。
  • 計算コストは変数の数に対して超指数関数的に増加する可能性がありますが、district が分離されている場合や、計算幾何学の並列化アルゴリズムを適用することで現実的な計算が可能であるとしています。

結論

本論文は、隠れた変数モデルにおける観測可能な制約の完全な導出という長年の課題に対し、計算幾何学の手法を応用した体系的な解決策を提示しました。特に、c-degree が 1 のモデルクラスにおいて完全性を保証し、不等式と等式を統合的に扱う点で画期的です。この手法は、因果推論のモデル検証、因果構造の学習、および効率的な推定において、重要なツールとなるでしょう。