Resumen Técnico: Elicitación de Preferencias Causales (CaPE)

Planteamiento del Problema

El aprendizaje de estructuras causales a partir de datos observacionales es intrínsecamente difícil debido a las clases de equivalencia de Markov, las superficies de verosimilitud multimodales y la incapacidad de los métodos puramente basados en datos para resolver gran parte de la estructura del grafo. Aunque los expertos en el dominio poseen conocimientos cualitativos sobre mecanismos plausibles, aristas prohibidas o direcciones de influencia esperadas, los métodos existentes para incorporar este conocimiento son típicamente estáticos. Estos codifican la entrada del experto como restricciones rígidas o priors fijos, ignorando la incertidumbre del experto, el sesgo sistemático y la escasez de tiempo del experto. Por el contrario, los métodos de descubrimiento causal activo que optimizan las intervenciones experimentales suelen fallar al no modelar los juicios subjetivos del experto o al tratarlos como deterministas.

Este artículo aborda la brecha mediante la introducción de la Elicitación de Preferencias Causales (CaPE), un marco probabilístico de "experto en el bucle" (expert-in-the-loop) para el descubrimiento causal. El objetivo es consultar activamente a un experto sobre relaciones de aristas locales (existencia y dirección) para concentrar una distribución posterior sobre Grafos Acíclicos Dirigidos (DAGs) de manera más eficiente que los enfoques aleatorios o estáticos, particularmente bajo presupuestos de consulta estrictos.

Metodología

1. Visión General del Marco

CaPE opera como un proceso de aprendizaje activo bayesiano secuencial. Asume el acceso a un posterior observacional inicial $q_0(W | X)$ derivado de cualquier método de descubrimiento causal de caja negra (por ejemplo, MCMC, agregación de bootstrap o inferencia variacional). El aprendiz selecciona iterativamente pares de variables $(i, j)$ para consultar a un experto, observa una respuesta categórica ruidosa $Y_{ij} \in \{0, 1, 2\}$ (que representa $j \to i$, $i \to j$, o ausencia de arista) y actualiza el posterior sobre los DAGs ponderados.

2. Modelo de Verosimilitud del Experto

La innovación central es un modelo de experto logístico jerárquico y flexible $p_\theta(Y_{ij} | W)$ que mapea un DAG ponderado candidato $W$ a una respuesta categórica de tres vías.

• Puntuaciones de Dirección Local: Para un par $(i, j)$, el modelo calcula una puntuación de dirección $s_{i \to j}(W)$ basada en la magnitud del peso de la arista y características estructurales opcionales (por ejemplo, soporte de v-estructura, riesgo de ciclo).
• Probabilidades Jerárquicas:
  • Existencia de la Arista: La probabilidad de que exista una arista se modela mediante una función logística de la evidencia absoluta máxima entre las dos direcciones.
  • Dirección: Condicional a la existencia, la probabilidad de una orientación específica se modela mediante una función logística de la diferencia en las puntuaciones de dirección.
• Parámetros: El modelo incluye hiperparámetros ($\beta_{edge}, \beta_{dir}$) que controlan la fiabilidad y la capacidad de decisión del experto, permitiendo comportamientos de experto heterogéneos e inciertos.

3. Inferencia del Posterior mediante Aproximación de Partículas

Dado el crecimiento superexponencial del espacio de los DAGs, el cálculo del posterior exacto es intratable. CaPE emplea un enfoque de Monte Carlo Secuencial (SMC):

• Representación: El posterior se aproxima mediante un conjunto de partículas ponderadas (DAGs candidatos).
• Actualización: Al recibir una respuesta del experto, los pesos de las partículas se actualizan mediante reponderación por importancia utilizando la verosimilitud del experto.
• Remuestreo: Para evitar la degeneración de los pesos, se remuestrean las partículas cuando el Tamaño de Muestra Efectivo (ESS) cae por debajo de un umbral.
• Rejuvenecimiento: Para mantener la diversidad tras el remuestreo, se aplica un núcleo ligero de Metropolis-Hastings, que propone pequeñas ediciones de grafos (cambios de dirección de aristas, adiciones, eliminaciones) mientras se garantiza estrictamente la aciclicidad.

4. Estrategia de Selección de Consultas

El marco selecciona consultas para maximizar la Ganancia de Información Esperada (EIG) respecto a la estructura latente del DAG.

• Función de Adquisición: La EIG se formula como la información mutua entre el DAG $W$ y la respuesta del experto $Y_{ij}$. Esto es equivalente al objetivo de Aprendizaje Activo Bayesiano por Desacuerdo (BALD).
• Computación: Bajo la aproximación de partículas, la EIG se calcula eficientemente comparando la entropía de la distribución predictiva marginal (incertidumbre epistémica + aleatoria) contra la entropía condicional promediada por el posterior (incertidumbre aleatoria).
• Tamizaje: Para reducir el coste computacional, un paso de tamizaje selecciona primero los $k$ mejores pares con la mayor incertidumbre marginal de existencia de arista antes de calcular la EIG completa para la selección final.

Principales Contribuciones

1. Marco General: Un marco modular para el descubrimiento causal con el experto en el bucle que combina posteriors observacionales arbitrarios con retroalimentación experta secuencial, extendiendo el trabajo previo sobre descubrimiento aumentado por expertos y aprendizaje de estructura activo.
2. Modelo de Experto Probabilístico: Un modelo logístico jerárquico que asigna etiquetas categóricas de tres vías basadas en puntuaciones de dirección local, modelando explícitamente el ruido, la incertidumbre y el sesgo del experto, en lugar de tratar la entrada del experto como restricciones deterministas.
3. Actualización Basada en Partículas: Un esquema de actualización bayesiana para los posteriors de los DAGs que integra las respuestas del experto mediante reponderación por importancia, remuestreo activado por ESS y rejuvenecimiento de Metropolis-Hastings, garantizando la aciclicidad y la diversidad.
4. Adquisición Tratable: Una derivación de un objetivo EIG de tipo BALD que opera sobre distribuciones categóricas de baja dimensión, haciendo que el aprendizaje activo con eficiencia de información en el espacio de los DAGs sea computacionalmente factible.
5. Validación Empírica: Demostraciones en redes de señalización de proteínas de Sachs y en el benchmark de perturbación de genes humanos CausalBench, mostrando una concentración de la distribución posterior acelerada y una recuperación estructural mejorada frente a bases aleatorias, estáticas y de incertidumbre.

Resultados Experimentales

El artículo evalúa CaPE en tres entornos:

• DAGs Sintéticos: CaPE supera significativamente a la consulta aleatoria (RND), el muestreo de incertidumbre (UNC) y un baseline estático de EIG (STE) en la reducción de la entropía predictiva, la Distancia de Hamming Estructural (SHD) y el aumento de la Probabilidad de Clase Verdadera Esperada (ETCP).
• Robustez: Los experimentos con modelos de expertos mal especificados (fiabilidad heterogénea, sesgo direccional, abstención y alto ruido) muestran que CaPE sigue siendo competitivo, lo que indica que el método es robusto a desviaciones realistas y no adversarias del modelo del experto asumido.
• Señalización de Proteínas Sachs: Utilizando solo datos observacionales (853 muestras) y una red de referencia como oráculo, CaPE reduce la SHD en aproximadamente 14 aristas respecto al posterior inicial tras 40 consultas y mejora el F1 de orientación en más de 0.38.
• CausalBench (K562): En un conjunto de datos de perturbación de 50 genes, CaPE logra un rendimiento superior en AUPRC dirigida y precisión Top-K en comparación con los baselines, demostrando ganancias monotónicas a medida que aumenta el presupuesto de consultas, mientras que los baselines estáticos se saturan rápidamente.
• Prior DAG-GFlowNet: Inicializar CaPE con un prior observacional fuerte (entrenado mediante GFlowNet) mejora aún más el rendimiento, resaltando la modularidad del marco.

Significado y Reivindicaciones

El artículo afirma que CaPE proporciona un enfoque fundamentado para transformar las intuiciones cualitativas de los expertos en una secuencia cuidadosamente presupuestada de preguntas dirigidas. Posiciona la elicitación de expertos como un paradigma complementario al diseño de intervenciones experimentales, particularmente valioso en dominios donde las intervenciones son costosas, éticamente restringidas o ya están fijas.

Los autores enfatizan que su método no pretende resolver el descubrimiento causal en ausencia de supuestos, sino que concentra la masa del posterior en el grafo real bajo el modelo causal asumido (por ejemplo, condiciones de suficiencia causal, Markov y fidelidad). El trabajo demuestra que la interacción con el experto, cuidadosamente presupuestada, puede acelerar sustancialmente la concentración del posterior a través de sintéticos y entornos de referencia reales, incluso bajo formas realistas de mal la especificación del modelo del experto. El marco se presenta como un paso hacia el cierre del bucle entre la inferencia causal probabilística y el juicio experto humano, mejorando la eficiencia y la transparencia de la generación de hipótesis científicas en campos como la biología y la medicina.