技術要約：因果効果制約を用いた解釈可能な因果探索

1. 問題定式化

従来の因果探索は、観測データから潜在的な因果グラフ構造を特定することを目的としている。しかし、実務家が求めるのは単に最も確率の高いグラフであるだけでなく、特定の現象（例：変数間の異常に大きな因果効果）を解釈することである。本論文では、**条件付き因果探索（conditional causal discovery）**をベイズ推論問題として定式化する。

観測データ $D$ が与えられたとき、ユーザーは因果効果の関数（例：ノード $i$ からノード $j$ への全因果効果が閾値 $t$ を超える）によって定義される制約イベント $E$ を指定する。目標は以下の計算である：

1. イベントの事後確率：$P(E | D)$。
2. 因果グラフ ($G$) とパラメータ ($\theta$) に関する条件付き事後分布：$p(G, \theta | D, E)$。

計算上の課題：
多くの現実的なシナリオにおいて、イベント $E$（例：極端な因果効果）は、無条件の事後分布の下では非常に小さな質量を持つ。標準的なマルコフ連鎖モンテカルロ（MCMC）サンプラーや棄却法による条件付けは、ここで失敗する。なぜなら、それらは制約を満たすサンプルを全く生成できないか、あるいは混合（mixing）が悪化し、制約付き空間の信頼できる統計的要約を得ることができないためである。

2. 手法

著者らは、条件付き因果探索を**稀なイベントの事後推論（rare-event posterior inference）**問題として扱うフレームワークを提案している。この解決策は、**適応的マルチレベル・スプリッティング（Adaptive Multilevel Splitting; AMS）**と、グラフとパラメータの結合空間上で動作するMCMCカーネルを統合したものである。

2.1 スコアレベルの定式化

本手法は、科学的な問いをスカラー値のスコア関数 $h(Z)$ に抽象化する。ここで $Z = (G, B)$ はグラフとそのエッジの重みを表す。

• 単一の効果制約 $CE_{ij} \geq t$ の場合、スコアは $h(Z) = CE_{ij}(Z)$ である。
• 複数の制約がある場合、スコアはすべての制約の正規化された最小マージンとなる。
  ターゲットとなる領域は $A_{\lambda^*} = \{Z : h(Z) \geq \lambda^*\}$ である。

2.2 適応的マルチレベル・スプリッティング (AMS)

直接稀な領域からサンプリングする代わりに、アルゴリズムは問題を一連のより容易な条件付き問題へと分解する：

1. 初期化： 無条件の事後分布（またはウォームスタート近似）からサンプリングされた粒子の集団から開始する。
2. 反復レベル： アルゴクションは、一連の増加するスコアレベル $\lambda_0 < \lambda_1 < \dots < \lambda_K = \lambda^*$ を定義する。
   • 各レベル $k$ において、粒子はレベル限定事後分布 $\pi(Z | h(Z) \geq \lambda_k)$ を近似するためにMCMCカーネルによって変異を受ける。
   • 次の閾値を満たさない粒子は破棄される。
   • 生存した粒子は、次のレベルのための集団を形成するために（復元抽出により）再サンプリングされる。
   • 閾値 $\lambda_{k+1}$ は、現在の集団のスコアの経験的分位数として適応的に選択される。
3. 確率推定： 稀なイベントの全確率は、各レベルにおける生存率の積として推定される。
4. 最終出力： ターゲットレベル $\lambda^*$ に到達した後、最終的な粒子集団は条件付き事後分布 $p(G, B | D, E)$ からのサンプルを近似する。

2.3 結合空間上のMCMCカーネル

サンプラーが構造とパラメータの両方を効果的に探索することを保証するため、著者らはブロック化されたメトロポリス・ヘイスティングス・カーネルを使用している：

• 構造の移動（Structure Moves）： Structure-MCMCまたは適応型PARNI-DAGカーネルを用いて、DAGへの変更（エッジの追加・削除・反転）を提案する。
• 重みの移動（Weight Moves）： グラフが与えられた状態で、エッジの重みを更新する。線形ガウス仮定の下では、これは効率的である。なぜなら、重みの条件付き事後分布は多変量t分布に従うからである。
• 制約の強制： 現在のスコアレベル制約に違反する提案は、直ちに拒絶される。

3. 主な貢献

1. 定式化： 本論文は、条件付き因果探索を極端な効果制約の下での事後推論として定義し、裾の確率（tail probabilities）と条件付きサンプルの両方をターゲットとしている。
2. アルゴリズム： 稀なイベントの推論を行う実用的な手順（AMS + MCMC）を提供し、小さな事後分布の裾の確率を推定すると同時に、代表的なグラフ・パラメータのサンプルを生成できる。
3. 検証：
   • 合成ベンチマーク： 次元 $d \in \{4, 8, 16, 32\}$ の線形ガウスグラフで検証を行った。本手法は、小さなグラフ（$d=4$）において全探索の結果と一致し、無条件のベースラインが失敗する大規模なスケールにおいても安定性と再現性を示した。
   • ケーススタディ： Sachsタンパク質シグナル伝達データセットに適用し、極端な効果制約下でのパスウェイレベルの要約を生成した。

4. 実験結果

• 精度： $d=4$ のグラフにおいて、本手法の裾の確率推定は全探索の結果と密接に一致したが、標準的な変分法（DiBSなど）は裾の確率を大幅に過大評価した。
• 条件付けの挙動： 多重効果の条件付け実験（$d=4, 8$）において、制約が強くなる（より情報量が多くなる）につれて、条件付き事後分布は正解のメカニズムへと正しく集中した。構造ハミング距離（SHD）は減少し、エッジ頻度のヒートマップは真のグラフに向かって鮮明になった。
• スケーラビリティ： $d \in \{16, 32\}$ において、本手法は制約が厳しくなるにつれて滑らかで単調減少する裾の曲線を生み出した。無条件のベースラインは、これらの稀な領域におけるサンプル生成に失敗した。情報に基づいた構造提案（PARNI-DAG）の使用は、標準的なStructure-MCMCと比較して、大きなグラフにおける極端な裾での安定性を向上させた。
• Sachsケーススタディ：
  • 無条件の場合： 事後サンプルはしばしばゼロの全効果を暗示するか、あるいは効果を多くの相殺し合う経路に分散させてしまい、解釈を困難にする。
  • 条件付きの場合： 大きな効果（例：$PIP3 \to PIP2$）で条件付けを行うと、事後分布は特定の経路（直接的および媒介的なルート）に集中する。
  • 同時条件付け： 複数の極端な効果で同時に条件付けを行うことで、単一の効果分析では明らかにならなかった共通の媒介因子（例：$Erk \to Akt$ および $PIP3 \to PIP2$ の相互作用における $Plcg$）が明らかになった。

5. 意義と主張

本論文は、条件付き因果探索が、研究者が特定の因果メカニズムに関する「もし〜ならば（what-if）」という問いを投げかけることを可能にすることで、解釈可能な科学的探索を可能にすると主張している。

• 解釈可能性： 単一のグラフを返す手法とは異なり、このアプローチは、特定のドメインに関連する制約（例：「どの経路がこの異常に大きな効果を説明するか？」）を満たす、妥当なメカニズムの分布を提供する。
• 希なイベントへの対処： 本手法は、標準的なMCMCや棄却サンプリングが非効率または実行不可能となる、ベイズ因果探索における計算上のボトルネックである「稀なイベント」の問題に対処している。
• 科学的有用性： ケーススタディは、本手法が、単純なエッジ予測を超えて、極端な現象を説明するためのパスウェイレベルの要約を提供し、仮説生成を支援できることを示している。

限界： 現在の実装は、線形ガウス構造方程式モデル（SEM）と因果的充足性（潜在的な交絡因子がないこと）を仮定している。著者らは、非線形メカニズム、潜在的な交絡、または介入データへの拡張が今後の研究方向であると述べている。