🤖 machine learning

Ordering-based Causal Discovery via Generalized Score Matching

Este artículo extiende el marco de ajuste de puntuación (score matching) a datos discretos mediante la introducción de un nuevo criterio de discriminante de hoja, permitiendo una inferencia de orden causal precisa que mejora significativamente el rendimiento de los métodos existentes de descubrimiento causal.

Autores originales: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung

Publicado 2026-07-28

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung

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 solo tienes un montón de pistas dejadas en la escena. No tienes una confesión, ni una grabación de vídeo, ni una cronología de los hechos. Solo tienes una instantánea de todo lo que ocurrió. ¿Tu objetivo? Averiguar quién causó qué. ¿La ventana rota hizo que la alarma sonara, o la alarma hizo que la ventana se rompiera? En el mundo de la ciencia, esto se llama descubrimiento causal. Es el arte de averiguar la cadena oculta de causa y efecto que vincula diferentes cosas, como cómo se propaga un virus, por qué cae la bolsa de valores o qué hace que una planta crezca.

La parte difícil es que la naturaleza a menudo esconde la "flecha del tiempo". Si ves dos cosas sucediendo al mismo tiempo —como que las ventas de helados y los ataques de tiburones aumentan ambos en julio— podrías suponer que una causa la otra. Pero usualmente, una tercera cosa (el clima cálido) causa ambas. Para resolver esto, los científicos utilizan las matemáticas para buscar patrones que solo aparecen cuando una cosa realmente empuja a otra. Durante mucho tiempo, estos trucos matemáticos funcionaron de maravilla para cosas continuas y suaves como la temperatura o la velocidad. Pero el mundo real está lleno de cosas "discretas": categorías como "sí/no", "rojo/azul/verde" o "enfermo/sano". Hasta ahora, las mejores herramientas matemáticas para encontrar la causa y el efecto no sabían cómo manejar estas categorías. Eran como una llave inglesa que solo encajaba en tuercas redondas, dejando las cuadradas sin tocar.

Este artículo, titulado "Ordering-based Causal Discovery via Generalized Score Matching", es como inventar una nueva llave inglesa que encaja perfectamente en las tuercas cuadradas. Los autores, un equipo de la Universidad de Monash y el CSIRO, han tomado un poderoso método matemático llamado Score Matching (ajuste de puntuación) y le han enseñado cómo trabajar con datos discretos y categóricos. Su gran idea es averiguar el orden de los eventos encontrando los "nodos hoja" (leaf nodes): los últimos elementos en una cadena que no causan nada más. Imagina un árbol genealógico donde empiezas por los bisabuelos y avanzas hacia abajo. Este artículo muestra cómo empezar desde el final (los bisnietos) y trabajar hacia arriba, incluso cuando los datos son solo una lista de categorías en lugar de números.

Probaron este nuevo método tanto en rompecabezas generados por computadora como en conjuntos de datos del mundo real, como registros médicos y modelos ecológicos. Los resultados sugieren que, al identificar correctamente el orden de los eventos primero, pueden aumentar significamente la precisión de las herramientas existentes que intentan dibujar el mapa completo de las causas. No es una varita mágica que resuelve todos los misterios instantáneamente, pero es un gran paso adelante, demostrando que ahora podemos usar estos avanzados trucos matemáticos en los datos discretos y categóricos que componen gran parte de nuestras vidas diarias.

El nuevo kit de herramientas del detective

Entonces, ¿cómo funciona esto realmente? Vamos a desglosarlo con una historia.

Imagina que estás en una habitación llena de personas pasándose notas. Algunas personas escriben notas y las pasan a otras; otras simplemente reciben notas y se detienen. No puedes ver quién le escribe a quién, pero puedes ver la pila final de notas que todos sostienen. Tu trabajo es averiguar quién inició la cadena y quién simplemente la terminó.

En el mundo de los datos, las "notas" son las variables (como "fumar", "toser" o "cáncer de pulmón"). La "cadena" es el Grafo Acíclico Dirigido (DAG). "Dirigido" significa que hay una dirección específica (causa $\to$ efecto), y "Acíclico" significa que no puedes tener un bucle donde A causa B, B causa C y C causa A (¡eso sería una paradoja de viaje en el tiempo!).

Durante años, los científicos tuvieron una herramienta brillante llamada Score Matching. Piensa en la "puntuación" (score) no como puntos en un juego, sino como una medida de qué tan "sorprendido" está un sistema por un dato específico. Si conoces las reglas del juego, puedes calcular una "puntuación" para cada resultado posible. En datos continuos (como la temperatura), esta puntuación es como la pendiente de una colina. Si estás en la cima de una colina (un nodo hoja), la pendiente se comporta de una manera muy específica y predecible. Al observar estas pendientes, los científicos podían averiguar quién estaba al final de la cadena (la hoja) y eliminarlos de la lista, uno por uno, para revelar todo el orden.

El Problema: Esto solo funcionaba para datos continuos y suaves. Si tus datos eran discretos —como "Rojo", "Azul" o "Verde"— el concepto de "pendiente" o "derivada" se desmorona. ¡No puedes tomar la pendiente de un color! Es como intentar medir la inclinación de una escalera con una regla diseñada para una rampa. Las herramientas antiguas simplemente no podían manejar los "escalones".

El gran avance del artículo

Los autores de este artículo se hicieron una pregunta sencilla: ¿Podemos reinventar la "puntuación" para los datos discretos?

Dijeron: "Sí, pero tenemos que cambiar las reglas del juego". En lugar de buscar pendientes, buscaron la aleatoriedad.

Aquí está la analogía: Imagina un juego del teléfono descompuesto.

El Padre: Alguien comienza con un mensaje muy claro y específico (baja aleatoriedad).
El Hijo: Se lo susurra a la siguiente persona, pero tal vez murmura un poco, o la siguiente persona lo escucha mal (añadiendo un poco de ruido/aleatoriedad).
El Nieto: El mensaje se transmite de nuevo, acumulando más errores.

En una cadena causal, la variable "padre" suele ser más ordenada y predecible. La variable "hijo", que es el resultado del padre más algo de ruido aleatorio, se vuelve más caótica e incierta. Los autores se dieron cuenta de que si medimos la aleatoriedad (o "dispersión") de los datos, los elementos al final de la cadena (las hojas) deberían ser los más aleatorios o "dispersos" en un sentido matemático específico.

Introdujeron una nueva forma de medir esto usando algo llamado reciprocal discrete score (puntuación discreta recíproca). En lugar de una pendiente, observaron qué tan probable es una categoría específica dado todo lo demás. Si una variable es una "hoja" (no causa nada más), su aleatoriedad sigue un patrón especial que es diferente al de las variables en medio de la cadena.

Cómo lo hicieron (El "Cazador de Hojas")

El artículo propone un proceso paso a paso para encontrar el orden:

Estimar la Puntuación: Utilizan un modelo de IA sofisticado (un modelo de difusión de tiempo continuo) para estimar estas "puntuaciones" a partir de los datos. Esto es como entrenar a un robot para que entienda la probabilidad de cada nota en la habitación.
Encontrar la Hoja: Calculan una "puntuación de aleatoriedad" para cada variable. La variable con la mayor aleatoriedad (según su regla matemática específica) se identifica como el nodo hoja —el que está al final de la cadena.
Pelar y Repetir: Una vez que encuentran una hoja, la eliminan de la lista. Ahora, el nuevo "final" de la cadena queda expuesto. Repiten el proceso hasta que hayan ordenado a todos, desde la primera causa hasta el último efecto.

Lo que encontraron (y lo que no)

Los autores sometieron este nuevo método a una serie de pruebas:

Datos Simulados: Crearon miles de mundos falsos con reglas aleatorias para ver si su matemática se mantenía. Probaron grafos con hasta 60 nodos (variables) y diferentes tipos de conexiones.
Datos del Mundo Real: Lo probaron en seis conjuntos de datos reales, incluyendo registros médicos (como el conjunto de datos "Sachs" con 11 variables y el conjunto de datos "Alarm" con 37 variables) y modelos ecológicos.

Los Resultados:
En casi todas las pruebas, el uso de este nuevo método de ordenamiento aumentó significativamente el rendimiento de las herramientas de descubrimiento causal existentes. Cuando les dieron el orden a los algoritmos estándar (como PC o GES), esos algoritmos cometieron menos errores.

Midieron esto utilizando métricas como la puntuación F1 (una medida de precisión) y SID (una medida de qué tan bien el grafo predice lo que sucede si se interviene). Su método mejoró consistentemente estas puntuaciones.
Descubrieron que incluso si el ordenamiento no era perfecto, seguía siendo "suficientemente bueno" como para ayudar a las otras herramientas a encontrar la respuesta correcta.

Lo que descartaron:
El artículo es cuidadoso al decir lo que no hicieron. No pretendieron haber resuelto el problema del descubrimiento causal para todas las situaciones.

Establecen explícitamente que su método depende de una condición específica: que la aleatoriedad (incertidumbre) aumente a medida que se avanza hacia abajo en la cadena causal. Si el mundo real tiene una situación extraña donde un hijo es menos aleatorio que su padre, el método podría tener dificultades.
No pretendieron tener una solución mágica que funcione sin supuestos. Como todo descubrimiento causal, necesita cierta estructura para funcionar.
Notaron que, aunque la matemática también funciona para datos continuos, se centraron en los datos discretos porque ahí es donde las herramientas antiguas fallaban. No pretendieron haber resuelto el caso continuo con esta implementación específica.

La conclusión fundamental

Este artículo es un puente. Durante mucho tiempo, el puente entre las "matemáticas causales avanzadas" y los "datos discretos y categóricos" estaba roto. Los autores construyeron un nuevo camino a través de él. Demostraron que al observar la aleatoriedad en lugar de las pendientes, podemos encontrar el orden de los eventos en datos que parecen listas de categorías.

No solo dijeron "podría funcionar". Analizaron los números, lo probaron en problemas del mundo real y demostraron que habilita de forma robusta un descubrimiento causal más preciso. Es una herramienta que ayuda a los científicos y detectives de datos a organizar el "quién causó qué" en un mundo lleno de respuestas de sí/no, elecciones de rojo/azul y estados de enfermo/sano. Aunque no es una solución perfecta para cada misterio (ninguna herramienta lo es), es una poderosa nueva adición al kit del detective, demostrando que finalmente podemos aplicar estas sofisticadas lentes matemáticas a los datos desordenados y categóricos que nos rodean cada día.

Resumen Técnico: Descubrimiento Causal Basado en Ordenamiento mediante el Emparejamiento de Puntuación Generalizado

Planteamiento del Problema

El descubrimiento causal a partir de datos puramente observacionales sigue siendo un desafío significativo, debido principalmente a dos factores: la identificabilidad de los modelos causales (donde múltiples estructuras pueden generar la misma distribución de datos) y la intratabilidad computacional de buscar en el espacio combinatorio de los Grafos Acíclicos Dirigidos (DAG), que es un problema NP-duro. Mientras que los enfoques basados en ordenamiento ofrecen una solución al identificar primero un orden topológico y luego podar las aristas, los métodos existentes que aprovechan el emparejamiento de puntuación (score matching) están actualmente restringidos a datos continuos. Existe una brecha crítica al extender estos poderosos marcos de trabajo a datos discretos (categóricos), donde el concepto de una función de puntuación (el gradiente del log-verosimilitud) no está bien definido.

Metodología

El artículo propone un marco para extender el emparejamiento de puntuación a variables discretas con el fin de identificar órdenes causales. La metodología procede a través de los siguientes pasos teóricos y algorítmicos clave:

1. Emparejamiento de Puntuación Generalizado para Datos Discretos

Los autores utilizan el marco de Emparejamiento de Puntuación Generalizado propuesto por Lyu [32]. En lugar del operador de gradiente utilizado para datos continuos, emplean el operador de marginalización ( $\mathcal{M}$ ).

Para una variable discreta $X_i$ , la puntuación se define mediante el recíproco de la densidad condicional de elemento único: $r_i(x_{-i}) = p(X_i | x_{-i})$ .
Esta función de puntuación discreta se estima utilizando modelos de difusión de tiempo continuo para datos discretos (específicamente la arquitectura propuesta por Sun et al. [58]), lo que evita la necesidad de calcular directamente la función de puntuación de los datos y garantiza la consistencia.

2. Identificabilidad mediante la Aleatoriedad No Decreciente

Para identificar los nodos hoja (nodos sin hijos) en un Modelo Causal Estructural (SCM) discreto, el artículo introduce una nueva condición de identificabilidad basada en medidas de aleatoriedad en lugar de la varianza.

Medida de Aleatoridad ( $\phi$ ): Los autores definen una medida de aleatoriedad utilizando funciones Schur-cóncavas (por ejemplo, la entropía de Shannon, la varianza negativa). Una distribución se considera "más aleatoria" si es mayorada por otra.
Condición de Aleatoriedad No Decreciente (Condición 3): El núcleo de la suposición teórica es que, a lo largo de un orden causal verdadero, la aleatoridad condicional de una variable dado sus padres es menor o igual que la aleatoridad condicional mínima de sus hijos dados sus respectivos padres:
$\phi(X_i | X_{pa_i}) \leq \min_{j \in ch_i} \phi(X_j | X_{pa_j})$
Esto refleja la intuición de que el ruido exógeno se acumula a medida que se avanza hacia abajo en la cadena causal (por ejemplo, un cubo de hielo derritiéndose en agua aumenta el desorden).

3. Garantías Teóricas

El Teorema 1 establece que, si una medida de aleatoridad $\phi$ satisface la condición de aleatoridad no decreciente, un nodo $X_j$ es un nodo hoja si y solo si maximiza la aleatoridad esperada de su puntuación recíproca:
$X_j \text{ es una hoja} \iff j \in \arg\max_{i \in [d]} \mathbb{E}_{X_{-i}}[\phi(r_i(x_{-i}))]$
Esto permite un algoritmo de detección secuencial de hojas (Algoritmo 1) para recuperar el orden topológico completo. El artículo también proporciona la Proposición 1, que ofrece una verificación estructural para esta condición bajo distribuciones Dirichlet simétricas sin requerir supuestos de ruido aditivo.

4. Diagnóstico Práctico y Post-procesamiento

Reconociendo que la condición de aleatoridad no decreciente puede no cumplirse perfectamente en datos del mundo real, los autores proponen:

Algoritmo 2: Una prueba diagnóstica práctica utilizando pruebas de independencia condicional (Chi-cuadrado) para estimar la distribución de grado de entrada inducida por un ordenamiento candidato. Si los grados de entrada estimados exceden los límites de dispersión conocidos (grado de entrada máximo), el ordenamiento se marca como potencialmente inválido.
Estrategias de Post-procesamiento: Una vez estimado un orden, el artículo sugiere dos estrategias para mejorar la recuperación del DAG:
1. Poda de Aristas (Edge Pruning): Eliminar las aristas que violan el orden inferido (efectivo para métodos de alta recuperación y baja precisión como PC).
2. Inserción de Aristas (Edge Insertion): Añadir iterativamente aristas desde los predecesores hacia el nodo actual si estas mejoran la función de puntuación (efectivo para métodos de alta precisión y baja recuperación como GES).

Contribuciones Clave

Primer Método de Emparejamiento de Puntuación Discreto: El artículo presenta el primer método de emparejamiento de puntuación capaz de aprender un orden causal completo a partir de datos discretos, cerrando una brecha en la literatura existente limitada a variables continuas.
Nueva Teoría de Identificabilidad: Caracteriza la identificabilidad de los órdenes topológicos en SCMs discretos sin asumir una estructura de ruido aditivo. Generaliza los resultados existentes reemplazando la suposición de "varianza no decreciente" por una condición de "aleatoridad no decreciente" aplicable a medidas Schur-cóncavas.
Marco Robusto: El enfoque proporciona una nueva perspectiva sobre el aprendizaje a partir de variables categóricas, yendo más allá de las pruebas de independencia clásicas y los enfoques de puntuación y búsqueda.
Validación Empírica: La teoría se valida mediante extensos experimentos en conjuntos de datos sintéticos (Erdos-Rényi y Scale-Free) y de datos reales (del repositorio bnlearn).

Resultados Experimentales

Los autores evaluaron su método (SCORE+[X], donde X es un baseline) frente a estándares de comparación incluyendo PC, GES, ORDCD y GAMs.

Rendimiento: A través de conjuntos de datos sintéticos y reales, el método propuesto mejoró consistentemente las puntuaciones F1 y la Distancia de Intervención Estructural (SID) en comparación con los baselines.
Robustez: Incluso cuando la condición de aleatoridad no decreciente no se cumplía estrictamente (regímenes ruidosos simulados), los órdenes inferidos proporcionaron información suficiente para potenciar el rendimiento de los algoritmos de descubrimiento causal descendentes.
Métricas: Aunque la Distancia de Hamming Estructural (SHD) aumentó ligeramente en ocasiones (debido a la tendencia del método a predecir más aristas en lugar de menos), las mejoras en SID y F1 indicaron una mayor fiabilidad para la inferencia causal y una mejor precisión general.
Diagnóstico: La prueba de diagnóstico de grado de entrada propuesta mostró una correlación positiva entre la proporción de nodos "inválidos" (aquellos que violan los límites de dispersión) y la divergencia topológica ( $D_{top}$ ), confirmando su utilidad como verificación de validez.

Significado y Reivindicaciones

El artículo afirma proporcionar una base teórica para aplicar el emparejamiento de puntuación al descubrimiento causal discreto, un dominio previamente considerado intratable para este enfoque debido a la falta de una función de puntuación definida.

Reivindicaciones Modestas: Los autores reconocen que sus resultados de identificabilidad dependen de la condición de aleatoridad no decreciente, la cual requiere conocimiento previo o supuestos sobre el proceso generador de datos. No afirman que el método funcione universalmente sin supuestos, sino que argumentan que es un paso significativo hacia adelante para los datos discretos.
Limitaciones: Los autores señalan que el enfoque actual requiere el reentrenamiento del modelo de difusión en cada iteración del proceso de detección de hojas, lo que conlleva costos computacionales más altos ( $O(d)$ iteraciones de entrenamiento). Sugieren que trabajos futuros podrían centrarse en estrategias de enmascaramiento adaptativo para aproximar las puntuaciones con un solo modelo.
Alcance: El trabajo se enmarca explícitamente como una extensión del emparejamiento de puntuación a variables discretas; aunque la teoría es aplicable teóricamente a datos continuos, los autores se centran en el dominio discreto debido a los cuellos de botella estadísticos en la estimación de densidades condicionales para variables continuas.

En resumen, este trabajo demuestra que, al redefinir la función de puntuación para datos discretos y aprovechar las medidas de aleatoridad, es posible recuperar órdenes causales que mejoran significativamente la precisión de los algoritmos de descubrimiento causal existentes, incluso bajo condiciones ruidosas y relajadas.