🤖 AI

Intuitionistic $j$ -Do-Calculus in Topos Causal Models

Este artículo generaliza el cálculo-do de Pearl a un entorno intuicionista dentro de los Modelos Causales de Topos mediante la introducción del $j$ -cálculo-do, un sistema de reglas sólido que define las intervenciones causales y las independencias condicionales como verdades locales estables bajo una topología de Lawvere-Tierney $j$ e interpreta estas mediante la semántica de Kripke-Joyal.

Autores originales: Sridhar Mahadevan

Publicado 2026-07-28

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sridhar Mahadevan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio, pero las pistas que encuentras dependen enteramente de en qué habitación de la casa te encuentres. En una habitación, una huella dactilar en la ventana demuestra que el sospechoso entró; en la siguiente habitación, esa misma huella es solo una mancha de un equipo de limpieza. Este es el corazón de la inferencia causal, una rama de la ciencia que intenta averiguar qué causa qué, en lugar de simplemente lo que sucede por casualidad. Normalmente, los detectives utilizan un conjunto de reglas lógicas (llamado cálculo-do) para preguntar "¿Qué pasaría si obligara al sospechoso a entrar?" cortando mentalmente las cadenas habituales de eventos. Pero estas reglas asumen que estás mirando todo el mundo desde un único y perfecto punto de vista.

El problema es que el mundo real no es una sola habitación; es un edificio con muchos contextos diferentes, o "regímenes". Un tratamiento médico puede funcionar en un hospital soleado pero fallar en una clínica lluviosa. Una regla que funciona para un grupo de personas puede romperse para otro. Los científicos han deseado durante mucho tiempo una forma de mezclar estos diferentes puntos de vista sin perder la lógica de la cadena de causa y efecto. Necesitan un sistema que pueda decir: "Esta regla se cumple en estos espacios específicos y, debido a que estos espacios cubren todo el edificio, la regla se cumple para el edificio también".

Esto es exactamente lo que el artículo de Sridhar Mahadevan, Intuitionistic j-Do-Calculus in Topos Causal Models, se propone hacer. El autor construye un nuevo "pegamento" matemático que nos permite tomar las reglas estándar de causa y efecto y aplicarlas pieza por pieza a través de diferentes entornos, para luego coser esas piezas nuevamente en una única y fiable verdad.

El kit de herramientas del detective: De habitaciones individuales a una ciudad entera

Para entender la magia del artículo, primero veamos las herramientas que utiliza. Imagina una ciudad donde cada barrio tiene su propio conjunto de leyes. En el "Distrito de Observación", solo puedes observar lo que sucede naturalmente. En el "Distrito de Intervención", puedes ir de un lado a otro y mover físicamente las cosas para ver qué cambia.

En la forma antigua de hacer las cosas (llamada cálculo-do clásico), tenías que elegir un distrito y quedarte en él. Si querías saber si una nueva política causó una disminución en la criminalidad, tenías que asumir que tus datos provenían de un mundo único y consistente. Pero, ¿qué pasa si tus datos son una mezcla desordenada? ¿Qué pasa si algunos datos provienen de un momento en que llovió y otros de cuando estuvo soleado?

El artículo introduce un nuevo concepto llamado j-estabilidad. Piensa en esto como una "red de seguridad" para tu lógica. En lugar de preguntar "¿Es esta regla cierta en todas partes?", el artículo pregunta: "¿Es esta regla cierta en un conjunto específico de mapas locales que, al juntarse, cubren todo el territorio?".

Así es como funciona el nuevo sistema del artículo, utilizando una metáía lúdica:

1. El mapa de regímenes (El Sitio)
Imagina que el mundo es un rompecabezas gigante, pero en lugar de piezas planas, las piezas son diferentes "regímenes" o contextos. Una pieza es "Datos Observacionales", otra es "Datos Intervencionales" y otra es "Datos de un Hospital Específico". En el lenguaje del artículo, estos se llaman estadios o cartas. El autor los trata no solo como pilas separadas de datos, sino como una red conectada donde puedes moverte de un contexto a otro.

2. Las reglas locales (Semántica por cartas)
En cada pieza individual del rompecabezas (cada régimen), el autor utiliza las reglas estándar y de confianza de la causa y el efecto. Si estás en la pieza "Observacional", utilizas la lógica estándar para ver si dos cosas son independientes. Si estás en la pieza "Intervencional", utilizas la lógica estándar para ver qué sucede cuando fuerzas un cambio. El artículo insiste en que no inventamos nuevas reglas para estas piezas locales; simplemente usamos las que ya confiamos.

3. El pegamento (Teoría de esquemas y descenso)
Esta es la parte más creativa. El artículo pregunta: "Si una regla se cumple en la pieza 'Observacional' Y se cumple en la pieza 'Intervencional', y estas dos piezas se superponen de una manera que tiene sentido, ¿podemos decir que la regla es cierta para todo el rompecabezas?".

La respuesta es sí, pero solo si las piezas encajan perfectamente. El autor utiliza un concepto matemático llamado teoría de esquemas (piensa en ello como un pegamento muy estricto y de alta calidad) para asegurar que las verdades locales no se contradigan entre sí. Si las verdades locales están de acuerdo en las superposiciones, el "pegamento" permite que estas desciendan hacia una verdad global única. Esto se llama descenso.

Lo que el artículo realmente encuentra

El artículo demuestra un teorema de solidez de lo local a lo global. En lenguaje sencillo, esto significa:

Si puedes verificar una regla causal (como "La Variable A causa la Variable B") en una colección de mapas locales (una cobertura J) que juntos cubren toda tu situación...
Y si la forma en que te mueves entre estos mapas preserva la estructura causal (como mantener las mismas variables y reglas)...
Entonces tienes la garantía matemática de que la regla se cumple para toda la situación, incluso si no puedes ver todo el panorama a la vez.

El autor aplica esto a las tres famosas reglas de Pearl del cálculo-do. Estas reglas nos dicen cuándo podemos intercambiar una acción (como un fármaco) por una observación (como un síntoma) en nuestras ecuaciones. El artículo muestra que estas reglas siguen funcionando en este mundo desordenado y de múltiples regímenes, siempre que se cumplan en los mapas locales.

Lo que el artículo rechaza explícitamente

Es crucial saber lo que este artículo no hace, porque el autor es muy cuidadoso al trazar los límites:

No pretende resolverlo todo. El artículo establece explícitamente que es un teorema de "solidez" (soundness), lo que significa que te dice cuándo es seguro usar las reglas. No pretende ser un teorema de "completitud" (completeness), lo que significaría que puede encontrar todas las posibles respuestas causales. Puede haber verdades causales que este método simplemente no puede alcanzar.
No dice que "Intervención" y "Condicionamiento" sean lo mismo. En algunas matemáticas avanzadas, la gente intenta tratar el "hacer" algo y el "observar" algo como dos caras de la misma moneda (usando un concepto llamado extensiones de Kan). Este artículo rechaza explícitamente esa idea. Argumenta que la intervención es un reemplazo físico de un mecanismo (como cambiar una pieza en una máquina), mientras que el condicionamiento es solo mirar una sección específica de datos. Son operaciones diferentes, y el artículo se niega a mezclarlas.
No asume que el mundo sea siempre "Booleano" (blanco o negro). En la lógica estándar, una afirmación es verdadera o falsa. En este nuevo marco, una afirmación puede ser "verdadera en una cobertura" (verdad en los mapas locales) sin ser "globalmente verdadera" en un sentido binario simple. La lógica es más flexible, como un regulador de intensidad (dimmer) en lugar de un interruptor de encendido/apagado.

La conclusión: Una nueva forma de coser el mundo

El artículo no te da un nuevo fármaco o un nuevo algoritmo para ejecutar en tu computadora ahora mismo. En su lugar, te da un nuevo marco lógico para pensar sobre el razonamiento causal cuando el mundo es complejo y fragmentado.

Imagina que intentas predecir el clima. Tienes un pronóstico local para la playa, uno para la montaña y uno para la ciudad. Si el pronóstico de la playa dice "soleado" y el de la montaña dice "soleado", y se superponen de una manera que tiene sentido, puedes afirmar con confianza que "está soleado en todas partes". Pero si la playa dice "soleado" y la montaña dice "lluvia", no puedes simplemente adivinar.

El artículo de Mahadevan proporciona la prueba matemática rigurosa de cuándo se te permite coser esos pronósticos locales para crear una predicción global. Demuestra que si las reglas locales de causa y efecto se mantienen en cada contexto específico (las "cartas"), y esos contextos cubren todo el panorama, entonces la conclusión causal es válida para todo el sistema.

El autor señala cuidadosamente que esto es un avance teórico. El artículo asume que ya tienes los mapas locales y las coberturas; no te dice cómo encontrarlos a partir de datos brutos (ese es el trabajo de un artículo complementario). Pero para cualquiera que intente construir sistemas de IA o de aprendizaje automático que necesiten razonar sobre la causa y el efecto a través de diferentes entornos —como un coche autónomo que se comporta de manera diferente en la lluvia frente al sol—, este artículo proporciona el "pegamento" esencial para asegurar que la lógica se mantenga unida.

En resumen, el artículo dice: "No necesitas una visión única y perfecta del mundo para conocer la verdad. Si tienes suficientes visiones locales que encajan, la verdad emergerá del pegamento".

Resumen Técnico: Cálculo j-Do-Calculus Intuicionista en Modelos Causales de Topos

Planteamiento del Problema
El cálculo do de Pearl proporciona un sistema axiomático completo para la identificación intervencionista en modelos estructurales causales acíclicos (SCM) bajo la lógica booleana clásica. Sin embargo, el cálculo do estándar asume un contexto estático y global. En muchos escenarios del mundo real, las estructuras causales y la disponibilidad de datos varían a través de diferentes regímenes, contextos experimentales o "etapas" (por ejemplo, diferentes laboratorios, entornos de políticas o periodos de tiempo). El artículo aborda el desafío de formalizar la inferencia causal en tales entornos indexados por regímenes donde las aserciones causales pueden ser válidas localmente pero no globalmente, y donde la lógica que gobierna estas aserciones puede ser intuicionista en lugar de clásica. El problema central es extender el cálculo do a un entorno donde los modelos causales varían sobre un sitio (una categoría de regímenes) y donde la validez de las reglas causales depende de la existencia de una familia de recubrimiento de cartas locales.

Metodología
Los autores desarrollan una semántica de valores de sheaf (hacia de un haz) indexada por regímenes para el cálculo do de Pearl dentro del marco de los Modelos Causales de Topos (TCM). La metodología procede a través de varias capas categóricas y lógicas:

Marco Categórico: Los modelos causales son tratados como objetos en un topos de presheaves $\mathbf{Set}^{\mathcal{C}^{op}}$ sobre una pequeña categoría $\mathcal{C}$ (el sitio de los regímenes). Una topología de Grohendieck $J$ en $\mathcal{C}$ especifica qué familias de morfismos (cartas) constituyen un "recubrimiento", representando vistas locales admisibles de un régimen.
Semántica de Sheaf: Los autores trabajan dentro del topos de sheaves $\mathbf{Sh}_J(\mathcal{C})$ . Una aserción causal se define como $J$ -estable (o $j$ -estable) en una etapa $U$ si se cumple en un recubrimiento $J$ de $U$ en el sentido de la semántica de Kripke–Joyal. Esto significa que una declaración es "verdadera" en $U$ si puede ser verificada en una familia de cartas locales que cubren conjuntamente a $U$ y son compatibles bajo restricción.
Intervención y Condicionamiento:
- Las intervenciones se modelan como reemplazos de mecanismos estructurales o de núcleos estocásticos (operaciones quirúrgicas sobre el grafo causal), formalizadas vía la categoría de Kleisli de un monad de distribución ( $\mathbf{Kl}(\mathbf{Dist})$ ).
- El condicionamiento se define estrictamente cuando el condicional finito-discreto requerido tiene una masa normalizadora positiva (o mediante una desintegración compatible), implementado como una restricción a un subobjeto de comprensión seguido de una normalización.
- El artículo rechaza explícitamente identificar la intervención y el condicionamiento como un par universal de extensiones de Kan a la izquierda y a la derecha, enfatizando en su lugar que la sheafification (formación de haz) es una localización reflexiva y un descenso (descent).
Lógica: La lógica interna del topos es intuicionista (lenguaje de Mitchell–Bénabénou). La validez de las reglas causales se determina mediante el $J$ -forcing: una regla se aplica si sus premisas (por ejemplo, condiciones de $d$ -separación) se cumplen en un recubrimiento $J$ de $U$ .

Contribuciones Clave
El artículo realiza cuatro contribuciones teóricas primarias:

Definición de $d$ -Separación $J$ -Local e Igualdad Intervencionista: Los autores definen la $j$ - $d$ -separación ( $X \perp^j_U Y | Z$ ) como la condición donde una independencia condicional se cumple en un recubrimiento $J$ de una etapa $U$ . Esto eleva la noción clásica de $d$ -separación a un marco de lo local a lo global.
Supuestos de Compatibilidad para el Descenso de Sheaf: El artículo establece supuestos explícitos bajo los cuales la semántica de los SCM por carta forma un sheaf de modelos causales. Las aplicaciones de restricción deben preservar las firmas de variables, las cirugías de grafos (mutilaciones), los núcleos causales y los condicionales utilizados por el cálculo.
Teorema de Solidez Local-a-Global: El resultado central es un teorema de solidez para el razonamiento causal consciente del régimen. Demuestra que si las tres reglas de Pearl se aplican por carta en un recubrimiento $J$ , y las funciones de núcleo intervencional resultantes concuerdan en las superposiciones, entonces la igualdad desciende a la etapa cubierta $U$ vía el axioma de separación del sheaf. Esto produce formas $J$ -locales de las tres reglas de Pearl ( $J_1, J_2, J_3$ ) sin alterar sus premisas originales de grafos mutilados.
Conservatividad y Reducciones: El marco demuestra dos reducciones clave:
- El sitio terminal ( $C=1$ ) recupera el cálculo do ordinario basado en conjuntos.
- La topología trivial de Grohendieck recupera la semántica de presheaf (lógica por etapas), aunque la lógica interna de un presheaf topos general no tiene por qué ser booleana.

Resultos y Derivaciones
El artículo proporciona derivaciones trabajadas ilustrando cómo las tres reglas del cálculo do se traducen en igualdades internas dentro de un TCM:

Regla 1 (Insertar/Eliminar Observaciones): Si $Y \perp Z | X, W$ en el grafo mutilado $G_{\bar{X}}$ en un recubrimiento $J$ , entonces $P(Y | do(X), Z, W) = P(Y | do(X), W)$ se cumple internamente.
Regla 2 (Intercambio de Acción/Observación): Si $Y \perp Z | X, W$ en $G_{\bar{X}, \underline{Z}}$ en un recubrimiento $J$ , entonces intervenir sobre $Z$ es equivalente a observar $Z$ .
Regla 3 (Insertar/Eliminar Acciones): Si $Y \perp Z | X, W$ en $G_{\bar{X}, \underline{Z(W)}}$ en un recubrimiento $J$ , entonces $do(Z)$ es irrelevante.

Los autores ilustran estos conceptos utilizando DAGs simples (Terremoto/Robo y Contaminación/Fumador/Cáncer), mostrando cómo una independencia condicional que falla globalmente (por ejemplo, condicionar sobre un colisionador) puede volverse $J$ -estable si el recubrimiento incluye una carta intervencional que corta las aristas entrantes del colisionador.

Significancia y Reclamaciones
El artículo posiciona su trabajo como una obra conceptual que establece los fundamentos lógicos para la inferencia causal en regímenes variables.

Alcance: Asume que los objetos teóricos (etapas, recubrimientos, distribuciones internas) están dados. No proporciona algoritmos para la construcción de estos objetos a partir de datos, señalando que esto es abordado en un trabajo compañero.
Solidez vs. Completitud: Los autores declaran explícitamente que no realizan ninguna reclamación de completitud para el cálculo resultante indexado por regímenes. Su contribución es un teorema de solidez: el razonamiento local válido se une al razonimiento global válido bajo condiciones de compatibilidad específicas.
Distinciones Categóricas: El trabajo clarifica el papel categórico de la sheafification (descenso) frente a las extensiones de Kan. Argumenta que, si bien la esperanza condicional tiene una interpretación de extensión de Kan a la derecha, la intervención causal es fundamentalmente un reemplazo de mecanismo, y no existe una dualidad de Kan izquierda/derecha universal entre ellos sin una estructura indexada adicional.
Extensión a la Intercambiabilidad: El artículo extiende brevemente el marco a la causalidad intercambiable $j$ -estable, mostrando cómo la $j$ -estabilidad interactúa con la invarianza de permutación, recuperando principios "do-Finetti" internamente cuando la topología es invariante bajo acciones de grupo.

En resumen, el artículo proporciona una generalización rigurosa, mediante la teoría de sheaves, del cálculo do de Pearl, permitiendo el razonamiento causal que es estable a través de regímenes y compatible con la lógica intuicionista, mientras delimita estrictamente las fronteras entre la verificación local y la verdad global.

El kit de herramientas del detective: De habitaciones individuales a una ciudad entera

Lo que el artículo realmente encuentra

Lo que el artículo rechaza explícitamente

La conclusión: Una nueva forma de coser el mundo

Más como este