Resumen Técnico: Identificabilidad Contrafactual Más Allá de la Monotonía Global

1. Enunciado del Problema

Los Modelos Causales Estructurales (SCM) proporcionan una semántica unificada para intervenciones y contrafactuales. Sin embargo, persiste un desafío fundamental: la identificabilidad contrafactual. Los datos observacionales por sí solos suelen ser insuficientes para determinar de manera única los resultados contrafactuales, a menos que se impongan supuestos fuertes sobre la clase de mecanismos.

Históricamente, los resultados de identificabilidad positiva han dependido de la monotonía global (por ejemplo, ruido aditivo, estructuras post-no lineales o parametrizaciones triangulares monótonas). Estos supuestos garantizan que la relación entre las variables exógenas y los resultados endógenos preserve una orientación fija.

El artículo identifica una brecha crítica en los sistemas de interacción encarnada (por ejemplo, robótica): fenómenos físicos como el contacto, la fricción y la geometría a menudo inducen reversiones de signo dependientes del contexto. En tales escenarios, la misma perturbación exógena puede producir respuestas opuestas dependiendo del estado padre (por ejemplo, un empujón que causa movimiento hacia adelante en un contexto y movimiento hacia atrás en otro). La monotonía global es demasiado restrictiva para estos sistemas, pero eliminar la estructura por completo restaura la ambigüedad contrafactual. La pregunta central es: ¿Qué restricciones estructurales son necesarias para preservar la identificabilidad contrafactual una vez que se abandona la monotonía global?

2. Metodología y Marco Teórico

2.1 La Clase de Modelos Propuesta: NM-TM-SCM

Los autores introducen los Modelos Causales Estructurales Triangulares No Monótonos (NM-TM-SCM). Esta clase conserva la estructura triangular recursiva de los SCM estándar, pero relaja la restricción de monotonía global. En su lugar, impone dos condiciones específicas:

1. Invertibilidad Mecanismo a Mecanismo: Para cada mecanismo $i$ y cada contexto padre fijo $v_{<i}$, la aplicación desde la variable exógena $u_i$ hasta la variable endógena $v_i$ es una biyección. Esto garantiza que la abducción factual (recuperar el estado exógeno a partir de observaciones) sea única dados los padres.
2. Transporte Inverso Independiente del Contexto: Para dos modelos $M$ y $M'$ equivalentes en observación, la composición de sus mecanismos inversos, $(f'_i(v_{<i}, \cdot))^{-1} \circ f_i(v_{<i}, \cdot)$, debe ser independiente del contexto padre $v_{<i}$.

2.2 Contribuciones Teóricas

El artículo establece una cadena teórica que vincula estas condiciones con la identificabilidad contrafactual completa:

• Lema 1: La invertibilidad mecanismo a mecanismo implica que el mapa de solución global $\Gamma_M: \Omega_U \to \Omega_V$ es una biyección.
• Teorema 1: Dentro de la clase de SCM triangulares de orden compartido, el transporte inverso independiente del contexto es equivalente al isomorfismo exógeno. El isomorfismo exógeno significa que dos modelos equivalentes en observación comparten los mismos mundos latentes hasta un cambio de coordenadas en el espacio exógeno que no varía con el contexto.
• Teorema 2: El isomorfismo exógeno implica identificabilidad contrafactual completa. Si dos modelos son isomorfos exógenamente, deben coincidir en todas las consultas contrafactuales.
• Proposición 1 (Agudeza): Los autores proporcionan un contraejemplo constructivo que demuestra que la invertibilidad local por sí sola es insuficiente. Si el transporte inverso depende del contexto (es decir, la orientación del mecanismo cambia según los padres), modelos equivalentes en observación pueden discrepar en los contrafactuales. Esto prueba que el transporte inverso independiente del contexto es una condición necesaria, no solo una suficiente conveniente.

2.3 Algoritmo: CausalInverter

Para instanciar estas condiciones teóricas, los autores proponen CausalInverter, un modelo de aprendizaje estructurado con tres componentes clave:

1. Capas Triangulares Invertibles: Modela las ecuaciones estructurales como flujos invertibles.
2. Puertas de Orientación Dependientes del Contexto: Una puerta discreta $s_{i,\theta}(v_{<i}) \in \{-1, +1\}$ que permite que el mecanismo cambie de signo según el contexto padre, habilitando la no monotonicidad.
3. Regularización de Estabilidad de Transporte: Un término de pérdida ($L_{tr}$) que penaliza las variaciones en el transporte inverso aprendido a través de diferentes contextos padres, imponiendo la condición de transporte inverso independiente del contexto.

El objetivo de entrenamiento combina la verosimilitud negativa logarítmica con regularizadores de consistencia cíclica y estabilidad de transporte.

3. Resultados Experimentales

Los autores evalúan CausalInverter en mecanismos sintéticos y tareas de interacción física en MuJoCo (Empujar y Puerta).

3.1 Puntos de Referencia Sintéticos

• Configuración: Los autores probaron mecanismos monótonos globales, de cambio por umbral y de cambio suave a través de diversas dimensiones y familias de ruido.
• Hallazgos:
  • En configuraciones monótonas globales, todos los baselines estructurados tienen un rendimiento competitivo.
  • En configuraciones no monótonas (donde ocurren cambios de orientación dependientes del padre), los baselines estándar (ANM, triangular monótono, flujos biyectivos contextuales) no logran reducir el error contrafactual.
  • CausalInverter reduce significativamente el Error Cuadrático Medio Contrafactual (CF-MSE) y logra una alta precisión de dirección (~0.97) en la recuperación del campo de orientación.
  • Un barrido continuo de "puente" que varía la fuerza de la no monotonicidad muestra que la ganancia de rendimiento de CausalInverter sobre los baselines monótonos escala linealmente con el grado de no monotonicidad.

3.2 Tareas de Interacción Física (MuJoCo)

Los autores comparan CausalInverter con una suite de baselines basados en estados (Dinámica Lineal, MLP, Autoregresivo, GRU, Transformer, Flujo Condicional) bajo un protocolo de muestreo contrafactual equilibrado.

• Puerta MuJoCo (No Monotonicidad Fuerte):

  • Esta tarea exhibe dinámicas de contacto fuertemente dependientes del contexto (puntuación NMS $\approx 0.696$).
  • CausalInverter logra una recuperación contrafactual perfecta a nivel de evento (100% de éxito en la división formal) y el menor error angular contrafactual continuo entre los modelos que también alcanzan una precisión de evento perfecta.
  • Demuestra una estabilidad superior a través de múltiples semillas en comparación con los baselines Transformer y Flujo Condicional.
  • Los estudios de ablación confirman que eliminar la puerta de orientación causa la degradación más severa, validando la necesidad de modelar los cambios de signo dependientes del contexto.

• Empujar MuJoCo (No Monotonicidad Débil):

  • Esta tarea tiene una puntuación de no monotonicidad más baja (NMS $\approx 0.175$).
  • Aquí, el sesgo estructural de CausalInverter no domina. Los predictores de estado con menos datos (por ejemplo, Dinámica Lineal, MLP) permanecen competitivos o superiores.
  • Los autores interpretan esto como un límite de sesgo-varianza: la restricción estructural es beneficiosa cuando la no monotonicidad es lo suficientemente fuerte como para hacer ambiguos los caminos contrafactuales, pero puede ser una sobre-regularización cuando la tarea es casi monótona.

4. Significado y Afirmaciones

El artículo afirma identificar un régimen identificable más amplio situado entre los modelos triangulares monótonos globales y los modelos de mundo de caja negra sin restricciones.

• Perspectiva Teórica: El trabajo demuestra que la monotonía global no es el ingrediente esencial para la identificabilidad contrafactual. En su lugar, la invertibilidad mecanismo a mecanismo combinada con el transporte inverso independiente del contexto (equivalente al isomorfismo exógeno) es la condición suficiente y aguda.
• Impacto Práctico: Al relajar la restricción de monotonía global, el marco propuesto (NM-TM-SCM) y el modelo CausalInverter habilitan un razonamiento contrafactual confiable en sistemas físicos donde el contacto y la geometría inducen reversiones de signo.
• Conciencia de Límites: El artículo define explícitamente los límites de su contribución. El sesgo estructural es más efectivo en regímenes con no monotonicidad sensible a ramas fuertes (como la tarea Puerta). En regímenes débilmente no monótonos (como Empujar), los predictores de estado flexibles pueden superar al enfoque estructurado, destacando una compensación entre las restricciones de identificabilidad causal y la complejidad de la tarea.

Los autores concluyen que su enfoque proporciona una ruta eficiente en parámetros para la recuperación de ramas a nivel de evento en interacciones físicas complejas, ofreciendo una alternativa estructurada a los modelos de mundo puramente predictivos que carecen de garantías causales.