🤖 AI

Regret-Based Federated Causal Discovery with Unknown Interventions

Este artículo propone I-PERI, un nuevo algoritmo federado que permite el descubrimiento causal bajo intervenciones a nivel de cliente desconocidas mediante la recuperación de un grafo unión y la orientación de aristas adicionales para lograr una Clase de Equivalencia $\Phi$ -Markov más ajustada, al tiempo que proporciona garantías teóricas sobre convergencia y privacidad.

Autores originales: Federico Baldo, Charles K. Assaad

Publicado 2026-06-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Federico Baldo, Charles K. Assaad

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 a un grupo de hospitales intentando comprender cómo se conectan entre sí diferentes enfermedades, tratamientos y resultados en los pacientes. Quieren construir un "mapa" de causa y efecto (un grafo causal) para entender qué causa qué. Sin embargo, se enfrentan a un gran problema: no pueden compartir los datos de sus pacientes debido a las leyes de privacidad. Aquí es donde entra en juego el Aprendizaje Federado (Federated Learning): una forma de colaborar sin ver nunca los archivos privados de los demás.

Este artículo presenta un nuevo método llamado I-PERI para resolver un rompecabezas específico en este escenario: ¿Qué pasa si cada hospital está haciendo algo ligeramente distinto con sus pacientes?

Aquí está el desglose de las ideas del artículo utilizando analogías sencillas:

1. El Problema: El error de "una talla para todos"

La mayoría de los métodos anteriores asumían que cada hospital estaba realizando exactamente el mismo experimento con los mismos pacientes. Asumían que las "reglas del juego" eran idénticas en todas partes.

La Realidad: En el mundo real, el Hospital A podría tratar a los pacientes con un fármaco específico, mientras que el Hospital B utiliza un protocolo diferente, y el Hospital C podría simplemente observar sin intervenir. Estas diferentes acciones se denominan intervenciones.

La Analogía: Imagina que intentas averiguar cómo funciona el motor de un coche.
- El Hospital A está conduciendo el coche normalmente.
- El Hospital B ha quitado las bujías (una intervención).
- El Hospital C ha tapado el inyector de combustible con cinta adhesiva (otra intervención).
- Si intentas combinar sus informes asumiendo que todos están conduciendo normalmente, obtendrás un mapa confuso y erróneo de cómo funciona el motor.

2. La Solución: I-PERI (El detective del "arrepentimiento")

Los autores proponen I-PERI, un proceso de detección de dos pasos que funciona incluso cuando los hospitales no saben exactamente qué intervenciones están realizando los demás y no pueden compartir sus datos brutos.

Paso 1: Encontrar el terreno común (El "esqueleto")
Primero, el sistema intenta encontrar las partes del mapa que son iguales para todos.

La Analogía: El servidor central pregunta a cada hospital: "Si dibujo un mapa del motor, ¿cuánto se 'arrepiente' de no coincidir con su realidad local?".
En lugar de compartir sus mapas completos, los hospitales solo devuelven un número que representa este "arrepentimiento" (una puntuación de qué tan equivocado está el mapa del servidor en comparación con sus datos locales).
El servidor ajusta su mapa para minimizar el arrepentimiento total. Esto les ayuda a ponerse de acuerdo sobre la estructura básica (el "esqueleto") del grafo causal, ignorando las partes que fueron alteradas por las intervenciones.

Paso 2: Usar las diferencias para rellenar los huecos
Esta es la parte ingeniosa. Una vez construido el mapa básico, el sistema observa las diferencias causadas por las intervenciones.

La Analogía: Recuerda las bujías. Cuando el Hospital B las quitó, el motor se comportó de una manera específica que reveló una conexión oculta.
I-PERI observa cómo las intervenciones en diferentes hospitales cambiaron la "forma" de los datos. Si una intervención en el Hospital A crea un patrón específico (como una "forma de V" en los datos) que no era visible antes, el servidor utiliza esa pista para dibujar una flecha específica en el mapa.
El Resultado: Terminan con un mapa mucho más detallado de lo que podrían haber construido usando solo datos observacionales. Los autores llaman a este nuevo mapa más preciso $\Phi$ -CPDAG.

3. Privacidad: La colaboración "con los ojos vendados"

El artículo enfatiza que este método está diseñado para ser privado.

La Analogía: Los hospitales nunca entregan sus listas de pacientes ni sus planos completos del motor. Solo entregan un único número (la "puntuación de arrepentimiento") y algunas pistas cifradas.
Los autores demuestran matemáticamente que, incluso si alguien intenta espiar estos números, no puede realizar ingeniería inversa para obtener los datos privados de ningún paciente individual. Utilizan una técnica llamada Privacidad Diferencial (Differential Privacy), que añade un poco de "ruido estático" a las respuestas para ocultar las contribuciones individuales, de forma muy similar a como se añade un poco de estática a una señal de radio para que no se pueda oír la voz de una persona específica, pero aun así se pueda entender la canción.

4. Lo que demostraron

Funciona: Demostraron que, si se tienen suficientes datos, este método eventualmente encontrará el mapa más preciso posible dadas las restricciones (la Clase de Equivalencia $\Phi$ -Markov).
Es mejor: En sus pruebas (utilizando datos sintéticos que imitan escenarios del mundo real), I-PERI construyó mapas más precisos que otros métodos existentes, especialmente cuando los hospitales tenían diferentes protocolos de tratamiento.
Es rápido: Funciona significativamente más rápido que otros métodos complejos.

Resumen

I-PERI es una nueva forma para que grupos descentralizados (como los hospitales) construyan un mapa compartido de causa y efecto. No pretende que todos estén haciendo lo mismo; en su lugar, utiliza las diferencias en lo que están haciendo (las intervenciones desconocidas) como pistas para dibujar un mapa más preciso, todo ello manteniendo los datos privados de cada uno completamente ocultos.

Resumen Técnico: Descubrimiento Causal Federado Basado en el Arrepentimiento con Intervenciones Desconocidas

Planteamiento del Problema

El descubrimiento causal a partir de datos observacionales suele recuperar un Grafo Acíclico Dirigido Parcialmente Completado (CPDAG), que representa una Clase de Equivalencia de Markov (MEC). Aunque los métodos recientes de Descubrimiento Causal Federado (FCD) abordan la descentralización de datos y la privacidad, dependen de la suposición idealizada de que todos los clientes comparten un modelo causal idéntico no afectado por intervenciones. En entornos federados del mundo real (por ejemplo, hospitales multicéntricos), las políticas y protocolos específicos de cada cliente inducen naturalmente intervenciones heterogéneas y desconocidas. Estas intervenciones alteran las estructuras causales locales (por ejemplo, eliminando aristas entrantes mediante intervenciones estructurales), lo que hace que los algoritmos estándar de FCD sean ineficaces, ya que no pueden distinguir entre aristas faltantes debido a intervenciones frente a aristas faltantes debido a la estructura causal subyacente. Además, los métodos existentes para el descubrimiento causal con intervenciones desconocidas asumen la agrupación centralizada de datos, lo que viola las restricciones de privacidad, o requieren objetivos de intervención conocidos, lo cual es a menudo poco realista en entornos federados.

Metodología: I-PERI

Los autores proponen I-PERI (Intervention-PERI), un nuevo algoritmo federado diseñado para manejar intervenciones a nivel de cliente desconocidas garantizando al mismo tiempo la privacidad diferencial. I-PERI extiende el algoritmo PERI aprovechando las diferencias estructurales inducidas por las intervenciones entre los clientes para refinar el grafo causal global. El método opera en dos fases distintas:

1. Recuperación del CPDAG Federado (Fase 1)

La primera fase tiene como objetivo recuperar el CPDAG común a todos los clientes, denotado como $C(G)$ , del cual se derivan todos los grafos específicos de cada cliente.

Desafío: Las funciones de arrepentimiento (regret) estándar fallan aquí porque las intervenciones estructurales eliminan aristas, causando que el CPDAG del cliente sea un subgrafo del verdadero CPDAG global. Minimizar directamente el arrepentimiento penalizaría al servidor por las aristas "faltantes" que en realidad fueron eliminadas por las intervenciones.
Solución: I-PERI introduce el Enmascaramiento de Consenso Dirigido ( $\mu$ $μ$ ). Antes de calcular el arrepentimiento, el grafo del servidor se enmascara contra el grafo de cada cliente. Esta operación:
- Conserva las aristas presentes en ambos grafos.
- Elimina las aristas presentes en el servidor pero ausentes en el cliente (reconociendo que pueden ser inducidas por intervención).
- Orienta las aristas no dirigidas en el grafo del servidor si la arista correspondiente en el cliente está dirigida.
Optimización: El algoritmo minimiza el peor caso de arrepentimiento sobre los grafos enmascarados:
$\hat{G} = \arg \min_{H \in C(G)} \max_{k} \left( L(\mu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k) \right)$
donde $L$ es una función de puntuación consistente (por ejemplo, BIC). Esto asegura que el servidor converja al CPDAG del DAG causal subyacente $G$ .

2. Refinamiento de la Orientación (Fase 2)

La segunda fase aprovecha el hecho de que las intervenciones estructurales pueden transformar colisionadores blindados en colisionadores no blindados (v-structures), revelando así orientaciones de aristas que son ambiguas en datos puramente observacionales.

Mecanismo: I-PERI utiliza el Enmascaramiento de Consenso No Dirigido ( $\nu$ ). En esta máscara, las aristas no dirigidas tienen prioridad sobre las dirigidas. El algoritmo penaliza al servidor por no orientar las aristas que están orientadas en los grafos de los clientes debido a las v-estructuras inducidas por la intervención.
Optimización: El arrepentimiento se calcula sobre el grafo enmascarado no dirigido:
$R_k(H) = L(\nu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k)$
El espacio de búsqueda se restringe a grafos parcialmente dirigidos derivados del CPDAG de la Fase 1.

Garantías de Privacidad

I-PERI está diseñado con la privacidad diferencial $\epsilon$ en mente. En lugar de compartir grafos locales o parámetros del modelo, los clientes calculan los arrepentimientos locales y añaden ruido de Laplace antes de la transmisión. El artículo proporciona límites teóricos sobre la sensibilidad de la función de arrepentimiento, asegurando que la adición de ruido no comprometa significativamente la utilidad de la recuperación del grafo global mientras protege los puntos de datos individuales.

Contribuciones Clave

Clase de Equivalencia de Markov $\Phi$ ( $\Phi$ -MEC): Los autores definen una nueva clase de equivalencia, la $\Phi$ -MEC, que es estrictamente más ajustada que la MEC observacional estándar pero más laxa que la I-MEC (que requiere intervenciones conocidas). Representa la mejor recuperación posible en un entorno federado con intervenciones desconocidas.
$\Phi$ -CPDAG: Un grafo representativo para la $\Phi$ -MEC, obtenido mediante la orientación de las aristas en el CPDAG estándar basándose en las v-estructuras reveladas por las intervenciones a nivel de cliente.
Algoritmo I-PERI: Un algoritmo federado de dos fases que recupera el $\Phi$ -CPDAG sin requerir el conocimiento de los objetivos de intervención ni compartir datos brutos.
Garantías Teóricas: El artículo proporciona pruebas de la convergencia de I-PERI al $\Phi$ -CPDAG a medida que los tamaños de muestra se acercan al infinito, asumiendo suficiencia causal y fidelidad (faithfulness). También establece garantías formales de privacidad diferencial.

Resultados Experimentales

Los autores evaluaron I-PERI en conjuntos de datos sintéticos lineales frente a líneas de base de vanguardia (PERI, FedDAG, NOTEARS-ADMM, FedCDH).

Rendimiento: I-PERI superó consistentemente a las líneas de base en términos de Distancia de Hamming Estructural (SHD) y puntuación F1 a través de variaciones en el número de variables ( $p \in \{3, \dots, 20\}$ ), clientes ( $K$ ) y tamaños de muestra ( $n$ ).
Orientación de Aristas: La segunda fase de I-PERI orientó con éxito aristas adicionales que eran ambiguas en el CPDAG inicial, demostando la utilidad de aprovechar la heterogeneidad inducida por la intervención.
Eficiencia: I-PERI exhibió un tiempo de ejecución computacional significativamente menor (órdenes de magnitud más rápido) en comparación con los métodos competidores.
Robustez: El método se mantuvo efectivo cuando se utilizaron diferentes algoritmos de descubrimiento local (PC y GES) y mostró un rendimiento consistente en configuraciones de tamaño de muestra homogéneas y heterogéneas.

Significado y Reivindicaciones

El artículo afirma que I-PERI aborda una brecha crítica en el descubrimiento causal federado al ir más allá de la suposición poco realista de datos homogéneos y no intervenidos.

Aprovechamiento de la Heterogeneidad: A diferencia del aprendizaje federado tradicional, donde la heterogeneidad de los clientes suele tratarse como una fuente de ruido a minimizar, I-PERI trata las diferencias estructurales inducidas por la intervención como una fuente de información para refinar la orientación causal.
Descubrimiento Preservador de la Privacidad: El trabajo demuestra que se puede lograr un descubrimiento causal de alta calidad sin centralizar los datos ni revelar los objetivos de intervención, basándose en la agregación basada en el arrepentimiento con privacidad diferencial.
Avance Teórico: Al definir la $\Phi$ -MEC, el artículo establece los límites teóricos de lo que se puede identificar en entornos federados con intervenciones desconocidas, proporcionando un límite más ajustado que los datos observacionales por sí solos.

Los autores señalan que la precisión de I-PERI depende de la calidad de los CPDAG locales aprendidos por los clientes y que sus garantías teóricas dependen de supuestos estándar (suficiencia causal, fidelidad) que pueden ser violados en escenarios del mundo real más complejos. Se sugiere como trabajo futuro la extensión del marco a entornos con variables latentes y sesgo de selección.