Causal Discovery in Structural VAR Models Under Equal Noise Variance

技術的サマリー：等分散ノイズ仮定下における構造 VAR モデルの因果発見

問題提起
多変量時系列からの因果発見は、因果効果が時間を超えて（ラグ付き）および同じサンプリング間隔内（同時的）の両方で発生する場合、特に困難である。この問題は、fMRI などのサンプリングレートが基礎となるダイナミクスに対して粗いことが多い神経科学などの分野において重要であり、ビン内相互作用を捉えるモデルを必要とする。線形ガウス構造ベクトル自己回帰（SVAR）モデルはこのために強力であるが、標準的な同定手法はこの設定ではしばしば失敗する。

横断的構造方程式モデル（SEM）では、等分散ノイズ仮定と有向非巡回グラフ（DAG）仮定の組み合わせが、一意の因果グラフの点同定をもたらすのに対し、同時的効果を含む時系列設定では一般に一意のグラフは得られない。SVAR モデルでは、同時的効果は有向サイクルを形成し得、複数の異なる構造パラメータ化が全く同じ定常観測過程法則を誘発し得る。したがって、因果発見のターゲットは、単一のグラフの同定から、観測的等価クラスの同定へとシフトする。

手法
本論文は、等分散ノイズ（構造的ノイズ項は互いに独立であり、共通の分散 $\sigma^2$ を持つ）の仮定の下での線形ガウス SVAR(1) モデルにおける因果発見の枠組みを提案する。

1. 観測的等価性の特性化：
   著者らは、2 つの許容される SVAR モデル $M = (A_0, A_1, \sigma)$ と $M' = (A'_0, A'_1, \sigma')$ が観測的に等価（同一の定常ガウス過程を誘発する）であるための必要十分条件は、その構造パラメータが直交変換と大域的正スケーリングによって関連付けられることを証明する。具体的には、直交行列 $Q \in O(p)$ とスカラー $c > 0$ が存在して、以下の関係が成り立つ：
   $$B' = cQB, \quad A'_1 = cQA_1, \quad \sigma' = c\sigma$$
   ここで $B = I - A_0$ である。この特性化は、構造グラフが点同定されないことを意味する。むしろ、データはこれらの変換によって関連するモデルのクラスを同定する。

2. 観測的アライメント不一致：
   この設定におけるモデル回復を評価するために、著者らは観測的アライメント不一致（$\Delta^{\text{obs}}_{\text{align}}$）を導入する。標準的なフロベニウス誤差とは異なり、この指標は候補モデルと真のモデルの全体の観測的等価クラスとの間の距離を測定する。これは、すべての有効な直交変換と大域スケーリングにわたる再構成誤差の下限として定義される。特異値分解（SVD）を用いた閉形式解が導出され、特定の任意の代表と一致させることなく、構造回復の効率的な評価を可能にする。

3. ENVAR アルゴリズム：
   著者らは、等価クラスから好ましい代表を選択するためのスパース性に基づく手続きであるENVAR（等分散 VAR 因果発見）を提案する。アルゴリズムは 3 つのステップで進行する：

   • 縮約形推定：最小二乗法（OLS）を通じて、縮約形遷移行列 $\Phi$ と残差共分散 $\Sigma_u$ を推定する。
   • 標準的代表の構築：経験的精度行列のチョレスキー分解を用いて、基本となる構造表現を構築する。
   • スパース探索：同時的効果 $A_0$ の非対角成分とラグ付き効果 $A_1$ のすべての成分の $\ell_1$ ノルムを最小化する構造代表を見つけるために、直交多様体と大域スケーリングを探索する。この際、正規化制約 $\text{diag}(I - A_0) = 1$ を課す。これは、PyTorch の直交パラメータ化を用いた直交多様体上の非凸最適化によって解かれる。

主要な結果
本手法は、合成データとヒト・コネクトーム・プロジェクト（HCP）からの実 fMRI データで評価された。

• 合成データ：ENVAR は EqVarGDS、VARLiNGAM、DYNOTEARS と比較された。ENVAR は、さまざまなグラフ次元（$p$）において、最低のスケールフリー観測的アライメント不一致を達成し、真の等価クラスに最も近いモデルを成功裡に回復したことを示した。また、ベースラインと比較して、真の縮約形パラメータおよび構造行列とのピアソン相関も高かった。注目すべきは、ENVAR が等分散仮定の違反に対して頑健であり、ノイズ分散がノード間で中程度に変動する場合でも、優れた性能を維持したことである。
• 実 fMRI データ：HCP の運動課題データに適用した結果、ENVAR は、ノードの中心性（次数、出次数、正味フロー）が既知の神経科学活性化マップと驚くほどよく一致する因果グラフを回復した。NeuroSynth 分析により、学習されたグラフ構造に関連する解読された認知用語が、運動制御の文献と整合的であることが確認された。

意義と主張
本論文は、等分散ノイズの下では、同時的サイクルの存在と直交変換に対する観測法則の不変性により、SVAR モデルの構造グラフは一般に点同定されないことを主張する。したがって、因果発見の適切なターゲットは単一のグラフではなく、観測的等価クラスである。

この研究の意義は以下の点にある：

1. 横断的 DAG 設定と区別し、時系列データに対するこの等価クラスを正確に特性化すること。
2. 本質的な非同定性を考慮して構造回復を正しく評価する等価性意識型誤差指標（観測的アライメント不一致）を導入すること。
3. 等価クラスから正規化された代表を選択するためにスパース性を活用する実用的なアルゴリズムENVARを提案し、合成データおよび実世界の神経画像シナリオの両方で最先端の手法よりも精度が向上することを示すこと。

著者らは、線形性、定常性、観測されない交絡因子の不在への依存、および局所最小値に収束する可能性がある非凸最適化の使用といった限界を指摘している。今後の研究として、非定常性や高次ダイナミクスへの対応が提案されている。