I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables

El artículo propone I-CAM-UV, un método que integra modelos aditivos causales con variables no observadas (CAM-UV) de múltiples conjuntos de datos con variables no idénticas para descubrir relaciones causales completas enumerando todos los grafos causales estructuralmente consistentes.

Lo esencial

Imagina que estás intentando reconstruir la historia de un crimen, pero no tienes una sola cámara de seguridad que lo haya grabado todo. En su lugar, tienes varias cámaras de seguridad instaladas en diferentes lugares de la ciudad.

• La Cámara A solo ve la entrada del banco y la calle principal.
• La Cámara B solo ve el parque y la tienda de al lado.
• La Cámara C ve la entrada del banco y el parque, pero no la tienda.

Además, hay delincuentes invisibles (variables no observadas) que no aparecen en ninguna cámara, pero que están causando problemas: quizás alguien en el parque (que no se ve bien) le está pasando un mensaje al ladrón del banco.

El problema es que si intentas unir las fotos de cada cámara por separado, obtendrás un mapa incompleto y confuso. No sabrás quién causó qué, porque te faltan piezas del rompecabezas y hay "fantasmas" (causas ocultas) moviendo los hilos.

Aquí es donde entra el nuevo método del paper: I-CAM-UV.

¿Qué hace I-CAM-UV? (La analogía del Detective Inteligente)

Imagina que I-CAM-UV es un detective genio que toma todas esas fotos parciales de las cámaras (los conjuntos de datos) y las pone en una mesa.

1. No solo superpone las fotos: Un método antiguo diría: "Mira, la Cámara A dice que el ladrón entró por la puerta, y la Cámara B dice que salió por la ventana. ¡Unamos las fotos!". Pero esto falla si hay un cómplice invisible que empujó al ladrón.
2. Detecta los "Fantasmas": I-CAM-UV usa una técnica especial (llamada CAM-UV) que le permite decir: "Oye, aunque no veo a nadie entre la puerta y la ventana, hay una conexión oculta. Algo invisible está uniendo estos dos puntos".
3. Crea todas las historias posibles: Como no puede estar 100% seguro de dónde estaba el fantasma, el detective no elige una sola historia. En su lugar, genera una lista de todas las historias posibles que sean lógicas y consistentes con las fotos que sí tiene.
   • Historia 1: El fantasma estaba en el parque.
   • Historia 2: El fantasma estaba en la tienda.
   • Historia 3: El fantasma estaba en la calle.

El objetivo es encontrar todas las versiones de la verdad que encajen con las pruebas, en lugar de adivinar una sola y equivocarse.

¿Cómo funciona el truco? (El algoritmo de búsqueda)

El detective no revisa las historias al azar. Usa un sistema de clasificación inteligente (un algoritmo de "búsqueda primero en lo mejor"):

• Imagina que cada historia tiene un "puntaje de errores".
• El detective empieza con la historia que parece tener menos errores.
• Si esa historia tiene un error pequeño, la guarda.
• Si ve que una historia tiene demasiados errores (inconsistencias), la descarta inmediatamente y no pierde tiempo buscando variaciones de esa mala historia.

Esto es como si estuvieras buscando una aguja en un pajar, pero en lugar de revisar todo el pajar, solo revisas las zonas donde la aguja podría estar, basándote en pistas de dónde no está.

¿Por qué es importante?

En el mundo real, los científicos (de medicina, economía, clima) a menudo tienen datos de diferentes estudios que miden cosas distintas.

• Un estudio mide la dieta y el ejercicio.
• Otro mide el sueño y el estrés.
• Pero ninguno mide todo junto, y todos tienen "factores ocultos" (como la genética) que no midieron.

I-CAM-UV permite unir estos estudios dispersos para descubrir relaciones causales que de otra manera serían invisibles. Te dice: "Es muy probable que el estrés cause problemas de sueño, incluso si ningún estudio midió ambos al mismo tiempo, porque los datos indirectos lo sugieren".

El resultado final

Al final, I-CAM-UV no te da una única respuesta mágica (porque la realidad es compleja), sino que te da un abanico de respuestas probables que son todas consistentes con la evidencia.

• Ventaja: Encuentra conexiones que otros métodos pierden (especialmente las causadas por cosas invisibles).
• Desventaja: A veces genera muchas historias posibles (muchos gráficos), por lo que el humano tiene que revisarlas o tomar una muestra al azar, pero todas suelen ser bastante precisas.

En resumen: I-CAM-UV es como un detective que, ante pruebas fragmentadas y sospechosos invisibles, no se conforma con una sola teoría, sino que construye un mapa de todas las rutas lógicas posibles para acercarse lo más posible a la verdad.

Resumen técnico

Resumen Técnico: I-CAM-UV

1. Planteamiento del Problema

El descubrimiento causal a partir de datos observacionales es fundamental en ciencias, pero la mayoría de los métodos existentes están diseñados para un único conjunto de datos asumiendo que no hay variables de confusión no observadas. En la práctica, surgen dos desafíos críticos:

1. Conjuntos de variables no idénticos: A menudo se dispone de múltiples conjuntos de datos que comparten objetivos pero difieren en las variables medidas (algunas variables están presentes en un conjunto pero no en otro).
2. Variables no observadas (Confounders): Incluso en sistemas pequeños, pueden existir causas comunes ocultas que distorsionan las relaciones causales.

Los enfoques actuales para integrar múltiples conjuntos de datos (como ION, IOD, COmbINE) suelen generar Gráficos Ancestrales Parciales (PAGs), que contienen información incierta sobre la dirección de las aristas. Por otro lado, métodos como CD-MiNi asumen modelos lineales no gaussianos, lo que limita su aplicabilidad a relaciones no lineales.

El problema central es: ¿Cómo estimar un gráfico causal completo (DAG) que integre múltiples conjuntos de datos con variables no idénticas y que sea robusto ante variables no observadas, capturando relaciones no lineales?

2. Metodología Propuesta: I-CAM-UV

Los autores proponen I-CAM-UV (Integrating Causal Additive Models with Unobserved Variables), un enfoque que combina modelos funcionales no lineales con una búsqueda combinatoria inteligente.

A. Fundamentos Teóricos:

• Modelo CAM-UV: Se basa en el Causal Additive Model with Unobserved Variables. Este modelo permite identificar relaciones causales incluso cuando existen variables latentes. CAM-UV produce un gráfico mixto ($G_k$) para cada conjunto de datos $k$, que incluye:
  • Aristas dirigidas ($A_k$): Relaciones causales identificadas.
  • Aristas no dirigidas ($N_k$): Pares de variables cuya relación causal no se puede identificar debido a la existencia de una Ruta Causal No Observada (UCP) o una Ruta de Puerta Trasera No Observada (UBP).
• Consistencia Estructural: El método demuestra que el gráfico causal verdadero (ground truth) es consistente con la información de UCP/UBP proporcionada por CAM-UV en cada conjunto de datos.

B. Definición del Problema de Integración:
El objetivo es enumerar todos los DAGs posibles sobre el conjunto unificado de variables $\hat{V}$ que sean consistentes con los resultados de CAM-UV de todos los conjuntos de datos.

• Caso Ideal: Si no hay errores de estimación y todas las variables están observadas en algún conjunto, el método busca DAGs que satisfagan estrictamente las condiciones de consistencia (ausencia/presencia de UCP/UBP).
• Caso Realista (Relajación): Dado que CAM-UV puede cometer errores de estimación, se introduce un costo de inconsistencia ($C(\tilde{G})$), que cuenta el número de pares de variables donde la presencia/ausencia de UCP/UBP en el DAG candidato contradice los resultados de CAM-UV. El problema se relaja para encontrar DAGs con un costo de inconsistencia menor o igual a un umbral ($C^* + b$).

C. Algoritmo de Búsqueda:
Para resolver el problema de enumeración (que es exponencial), se propone un algoritmo de búsqueda de mejor primero (Best-First Search):

1. Monotonía: Se demuestra que el costo de inconsistencia es monótono; es decir, al añadir aristas o direcciones a un DAG parcial, el costo no disminuye.
2. Estrategia: Se utiliza una cola de prioridad (heap) para explorar los estados (gráficos parciales) en orden ascendente de su costo de inconsistencia estimado.
3. Eficiencia: El algoritmo calcula límites inferiores del costo y busca UCP/UBP en tiempo polinomial mediante búsquedas en anchura (BFS), permitiendo podar ramas del espacio de búsqueda que excedan el umbral de costo permitido.

3. Contribuciones Clave

1. Nuevo Enfoque de Integración: Propone I-CAM-UV, el primer método diseñado para integrar gráficos causales de múltiples conjuntos de datos con variables no idénticas utilizando modelos aditivos no lineales con variables no observadas.
2. Enumeración de DAGs Completos: A diferencia de métodos previos que entregan PAGs (grupos de equivalencia), I-CAM-UV enumera DAGs explícitos, permitiendo inferir direcciones de causalidad incluso entre pares de variables que nunca se observaron simultáneamente en ningún conjunto de datos ($E_{uno}$).
3. Algoritmo Eficiente: Desarrolla un algoritmo de búsqueda combinatoria optimizado mediante una estrategia de mejor primero basada en la monotonía del costo de inconsistencia, reduciendo significativamente el tiempo de cómputo en comparación con una búsqueda exhaustiva.
4. Garantías Teóricas: Demuestra que, bajo condiciones ideales (sin errores de estimación y sin confusores adicionales), el DAG verdadero es consistente y, por tanto, será encontrado por el algoritmo.

4. Resultados Experimentales

Los autores evaluaron el método en 100 conjuntos de datos sintéticos generados bajo el modelo CAM con 10 variables y relaciones no lineales. Se comparó con:

• CAM-UV-OVL: Superposición simple de resultados.
• PC-OVL: Superposición de gráficos estimados por el algoritmo PC.
• Imputación: Combinación de datos con imputación k-NN seguida de CAM.
• CD-MiNi: Método basado en LiNGAM (lineal).

Hallazgos principales:

• Recuperación de Relaciones (Q1 y Q2): I-CAM-UV mostró una superioridad significativa en la tasa de recuperación (recall) tanto para pares de variables observadas como para pares no observados, superando a todos los competidores. Esto confirma su capacidad para descubrir relaciones que otros métodos pierden debido a la falta de datos conjuntos o variables latentes.
• Precisión y F1: Aunque la precisión disminuyó ligeramente en comparación con la superposición simple (debido a la exploración de más posibilidades), la puntuación F1 general fue comparable, indicando que el método encuentra más verdaderos positivos sin aumentar drásticamente los falsos positivos en términos relativos.
• Distribución de DAGs (Q3): El número de DAGs enumerados varió, pero la mayoría de los DAGs generados mostraron una distribución de precisión muy similar y sesgada hacia valores altos. Esto sugiere que, incluso si se generan muchos DAGs, una muestra aleatoria es suficiente para obtener un resultado de alta calidad.
• Tiempo de Cómputo (Q4): El proceso de enumeración es rápido en la mayoría de los casos (comparable a otros métodos), aunque puede volverse exponencial en escenarios con muchas variables no observadas. La estrategia de mejor primero demostró ser eficiente para grafos dispersos.

5. Significado y Limitaciones

Significado:
I-CAM-UV representa un avance importante en el descubrimiento causal al abordar la realidad de los datos fragmentados y la presencia de variables ocultas. Permite extraer conocimiento causal de múltiples fuentes de datos heterogéneas, algo crucial en campos como la biología, la ciencia de materiales y las ciencias ambientales, donde los experimentos controlados son costosos o imposibles.

Limitaciones:

1. Dependencia de CAM-UV: La precisión final depende críticamente de la calidad de la estimación inicial de CAM-UV. Si CAM-UV falla en detectar una ruta oculta, I-CAM-UV no podrá corregirlo.
2. Complejidad Computacional: Aunque eficiente para grafos pequeños, el espacio de búsqueda es exponencial. Para conjuntos de datos con muchas variables, el tiempo de cómputo puede aumentar drásticamente.
3. Interpretabilidad Humana: La generación de un gran número de DAGs candidatos puede dificultar la interpretación manual, requiriendo estrategias de muestreo o compresión para su uso práctico.

Trabajo Futuro:
Los autores sugieren explorar la integración con otros métodos (como RCD), definir clases de equivalencia de Markov para los DAGs enumerados, y desarrollar representaciones comprimidas para facilitar la interpretación humana.