Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks

Este artículo propone un algoritmo iterativo de dos fases que, aprovechando la representación de procesos de Hawkes continuos como modelos causales discretos, permite identificar subprocessos latentes y sus influencias causales en sistemas parcialmente observados.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un detective de misterios temporales que entra en una habitación llena de alarmas, notificaciones y eventos que ocurren en el tiempo.

Aquí tienes la explicación de la investigación de Jin y Huang, traducida a un lenguaje sencillo y con analogías creativas:

🕵️‍♂️ El Problema: La "Cámara Oculta"

Imagina que eres un detective en una sala de control llena de pantallas. Ves que cuando suena la Alarma A, poco después suena la Alarma B.

• La vieja teoría: "¡A causó B! A es el culpable".
• La realidad: ¿Y si hay una Alarma C que nadie ve? Tal vez la Alarma C está oculta en un armario (es "latente") y es la que hace sonar tanto a A como a B al mismo tiempo.

En el mundo real (como en redes neuronales del cerebro o en redes de telefonía), siempre hay cosas que no podemos medir. Los métodos antiguos de ciencia de datos asumían que veíamos todo. Si no veías la Alarma C, concluían erróneamente que A controlaba a B. Esto es como culpar al portero de un edificio porque la luz se enciende, cuando en realidad es el vecino de arriba quien aprieta el botón y tú solo ves la luz.

💡 La Gran Idea: Convertir el "Video" en "Fotos"

El proceso de Hawkes es como un video de alta velocidad de eventos ocurriendo en tiempo real. Es muy difícil analizarlo directamente porque es continuo y caótico.

Los autores dicen: "¡Espera! Si tomamos el video y lo congelamos en fotogramas (fotos) muy rápidos, el video deja de ser un misterio continuo y se convierte en una serie de fotos conectadas".

• La analogía: Imagina que el tiempo es un río continuo. Es difícil ver de dónde viene el agua. Pero si pones una serie de cubos (ventanas de tiempo) en el río, puedes contar cuánta agua entra en cada cubo.
• El truco: Al hacer esto, el complejo proceso de "eventos en el tiempo" se transforma en un modelo matemático simple y lineal (como una ecuación de escuela secundaria). Esto permite usar herramientas estadísticas que antes no funcionaban.

🔍 La Herramienta Mágica: El "Detector de Sombras" (Rank Constraints)

Una vez que tienen las "fotos" (los datos discretizados), usan una técnica llamada análisis de rango (rank-based).

• La analogía de la sombra: Imagina que tienes dos lámparas encendidas (dos alarmas observadas) y una tercera lámpara oculta en el techo (la causa latente) que ilumina a las dos.
  • Si solo miras las dos lámparas de abajo, parecen estar conectadas.
  • Pero si analizas la geometría de la luz (las estadísticas de cómo se mueven juntas), notas algo extraño: sus patrones de luz son "demasiado parecidos" para ser una coincidencia o una conexión directa.
  • Esa "parecido extraña" es una falta de rango (una sombra matemática). El algoritmo dice: "Oye, la luz de estas dos pantallas es demasiado sincronizada para no tener un padre oculto. ¡Hay un fantasma (variable latente) aquí!".

🔄 El Método: El Bucle de Dos Fases

El algoritmo que proponen es como un detective que trabaja en dos turnos:

1. Fase 1 (El Detective de Causas): Mira las alarmas que ve y trata de encontrar quién las causa. Si encuentra una conexión clara, la anota.
2. Fase 2 (El Detective de Fantasmas): Si las alarmas siguen comportándose de forma extraña (como si se comunicaran sin verse), el detective asume: "¡Debe haber un fantasma!". Crea una "Alarma Fantasma" (una variable latente) en su mapa y la conecta a las alarmas reales.
3. Repetir: Con el fantasma añadido, vuelve a la Fase 1 para ver si ahora todo tiene sentido. Si no, busca más fantasmas.

🌍 ¿Por qué importa esto? (El Ejemplo Real)

Los autores probaron esto con datos reales de una red de telefonía celular.

• Tenían 18 tipos de alarmas de fallos en los teléfonos.
• Sabían que una alarma específica (la número 7) estaba oculta (nadie la registraba directamente).
• Su método logró adivinar la existencia de esa alarma oculta y dibujar el mapa correcto de quién causaba a quién, mientras que los otros métodos fallaron y dibujaron un mapa lleno de errores.

🚀 En Resumen

Este papel es como un nuevo tipo de gafas de visión nocturna para la ciencia de datos.

1. Nos permite ver lo que no podemos medir (las causas ocultas).
2. Convierte el caos del tiempo continuo en algo ordenado y fácil de analizar.
3. Nos ayuda a entender sistemas complejos (como el cerebro, las redes sociales o las finanzas) sin caer en la trampa de culpar a la persona equivocada por un crimen que cometió un fantasma invisible.

Es una herramienta poderosa para decir: "No es que A cause B, es que hay un C invisible que está causando ambos".

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español:

Resumen Técnico: Aprendizaje de Estructura Causal en Procesos de Hawkes con Redes de Confundidores Latentes Complejas

1. Planteamiento del Problema

Los procesos de Hawkes multivariados son un marco poderoso para modelar dependencias temporales e interacciones impulsadas por eventos en sistemas complejos (redes sociales, neurociencia, finanzas). Sin embargo, la mayoría de los métodos existentes asumen causalidad suficiente, es decir, que todos los subprocesos relevantes (secuencias de eventos) están completamente observados.

En la realidad, muchos sistemas son parcialmente observables. Existen subprocesos latentes (no medidos) que actúan como confundidores, influyendo en los procesos observados. Ignorar estos componentes latentes genera:

• Bordes causales espurios entre procesos observados.
• Conclusiones incorrectas sobre la dinámica del sistema.
• La imposibilidad de inferir la verdadera estructura causal.

El desafío principal es recuperar la estructura causal completa (incluyendo relaciones entre procesos observados y latentes) sin conocimiento previo sobre la existencia, el número o la ubicación de los subprocesos latentes.

2. Metodología Propuesta

Los autores proponen un marco principista que transforma el problema de procesos de tiempo continuo a uno de modelos causales lineales en tiempo discreto, aprovechando las estadísticas de segundo orden.

A. Representación Discretizada

El teorema central (Teorema 4.1) establece que, a medida que el intervalo de tiempo ($\Delta$) tiende a cero, un proceso de Hawkes multivariado estacionario admite una representación lineal autorregresiva en tiempo discreto.

• La cuenta de eventos en una ventana de tiempo se modela como una combinación lineal de cuentas de ventanas pasadas (lags) más ruido blanco.
• Esto permite aplicar pruebas estadísticas sobre datos de conteo discretizados en lugar de depender de la estimación de verosimilitud en tiempo continuo.

B. Identificación mediante Restricciones de Rango

El método utiliza las matrices de covarianza cruzada de las variables discretizadas observadas para inferir la presencia de latentes.

• Principio: La presencia de un subproceso latente que confunde a dos procesos observados crea patrones de bajo rango (deficiencia de rango) en las matrices de covarianza cruzada que no pueden explicarse por padres observados.
• Condiciones de Identificabilidad: Se derivan condiciones necesarias y suficientes basadas en el rango de estas matrices.
  • Se introduce el concepto de "Situación de Camino Simétrico": Un confundidor latente es identificable si conecta a los procesos observados a través de caminos acíclicos de longitud idéntica y sin bucles en los nodos intermedios latentes.
  • Bajo esta condición, el confundidor latente contribuye con exactamente una dimensión adicional al rango de la matriz de covarianza.

C. Algoritmo Iterativo de Dos Fases

Se propone un algoritmo que alterna entre dos fases para reconstruir el grafo causal completo:

1. Fase I (Identificación de Relaciones Causales): Para cada subproceso (observado o latente ya descubierto), se busca su conjunto mínimo de "padres-causa" utilizando pruebas de rango sobre las variables observadas y sus surrogates (representantes observados de los latentes).
2. Fase II (Descubrimiento de Nuevos Latentes): Si la Fase I no puede resolver más relaciones, el algoritmo busca pares de subprocesos que muestren la firma de rango característica de un confundidor latente común (Teoremas 4.5 y 4.8). Se infiere la existencia de un nuevo nodo latente y se actualiza el conjunto de procesos activos.

Este ciclo continúa hasta que no se pueden descubrir más relaciones o nuevos nodos latentes.

3. Contribuciones Clave

1. Primer Marco Principista para Latentes en Hawkes: Es el primer trabajo que proporciona un marco teórico para identificar subprocesos latentes y recuperar la estructura causal en secuencias de eventos de tiempo continuo sin asumir conocimiento previo sobre la cantidad o existencia de latentes.
2. Teoría de Identificabilidad: Demuestran que los procesos de Hawkes pueden representarse como modelos causales lineales discretos y derivan condiciones necesarias y suficientes para la identificabilidad de los confundidores latentes basadas en restricciones de rango y caminos simétricos.
3. Algoritmo Sin Suposiciones Previas: Desarrollan un algoritmo iterativo que no requiere especificar el número de componentes latentes ni sus conexiones iniciales, utilizando pruebas de rango en matrices de covarianza cruzada.
4. Generalidad: El marco maneja grafos con ciclos, bucles auto-referentes y tanto confundidores latentes endógenos (causados por observados) como exógenos.

4. Resultados Experimentales

Los autores evaluaron su método en conjuntos de datos sintéticos y del mundo real, comparándolo con seis líneas base fuertes (métodos basados en verosimilitud como SHP, THP, NPHC, y métodos basados en rango para datos i.i.d. como Hier. Rank, RLCD, y LPCMCI).

• Datos Sintéticos:

  • El método propuesto superó consistentemente a todas las líneas base en la recuperación de la estructura causal (medido por F1-score).
  • Los métodos basados en verosimilitud fallaron al no poder manejar latentes no especificados.
  • Los métodos basados en rango para datos i.i.d. fallaron debido a la densidad de las dependencias temporales y la naturaleza estocástica de los procesos de Hawkes.
  • Se demostró la robustez del método frente a variaciones en el intervalo de discretización ($\Delta$) y violaciones moderadas de la "fidelidad de rango".

• Datos del Mundo Real (Red Celular):

  • Se utilizó un conjunto de datos público de alarmas de red celular (35k eventos, 18 tipos de alarmas).
  • Se trató una alarma específica (ID=7) como latente (oculta).
  • El método propuesto recuperó exitosamente la subred causal, identificando correctamente la alarma latente y sus influencias principales sobre las alarmas observadas, logrando un F1-score de 0.76, superando significativamente a los baselines (el siguiente mejor fue 0.49).

5. Significancia e Impacto

Este trabajo es fundamental porque cierra una brecha crítica en el aprendizaje causal de series temporales de eventos.

• Viabilidad Práctica: Permite analizar sistemas reales donde la observación completa es imposible (ej. redes neuronales donde no se pueden registrar todas las neuronas, o sistemas financieros con datos incompletos).
• Rigor Teórico: Proporciona garantías de identificabilidad bajo condiciones realistas (fidelidad de rango y estructura de caminos), evitando las suposiciones restrictivas de métodos anteriores.
• Aplicabilidad: Ofrece una herramienta robusta para descubrir dinámicas causales ocultas en dominios críticos como la neurociencia, la detección de fallos en redes y la economía, donde ignorar los factores latentes puede llevar a decisiones erróneas.

En resumen, el artículo presenta una solución teóricamente fundamentada y empíricamente validada para el problema de la causalidad en sistemas parcialmente observados impulsados por eventos, transformando la complejidad de los procesos de Hawkes en un problema de álgebra lineal manejable mediante discretización y análisis de rango.