Resumen Técnico: Generación de Contrafactuales Desviados mediante Ajuste de Flujos a partir de Observaciones

Enunciado del Problema

El problema central abordado es la estimación de las distribuciones de resultados contrafactuales, denotadas $P_{Y(a)}$, bajo una intervención hipotética sobre una variable binaria $A$ (por ejemplo, asignación de tratamiento), disponiendo únicamente de datos observacionales confusos $(X, A, Y)$. Esta tarea es crítica para la evaluación de riesgos de tratamiento y el modelado generativo, donde se desea generar muestras con un atributo específico $A=a$ mientras se eliminan las correlaciones espurias con variables de estorbo $X$.

Los enfoques existentes suelen modelar la distribución contrafactual $P_{Y(a)}$ como un objetivo generativo independiente, utilizando a menudo técnicas de desviación semiparamétrica para entrenar con datos observacionales. Sin embargo, estos métodos tratan la distribución objetivo como no estructurada, ignorando la relación geométrica y estadística entre la distribución condicional observacional $P_{Y|A=a}$ y la objetivo $P_{Y(a)}$. En consecuencia, pueden tener dificultades con soportes desajustados, comportamiento de colas o multimodalidad al aprender desde cero, particularmente en configuraciones de alta dimensión.

Metodología: Flujos de Desconfusión

Los autores proponen una estrategia novedosa: en lugar de aprender $P_{Y(a)}$ desde cero, aprenden un "flujo de desconfusión" $f_a$ que transporta la distribución condicional observacional $P_{Y|A=a}$ hacia la distribución contrafactual $P_{Y(a)}$. Esto se formula como:
$$P_{Y(a)} = (f_a)_\# P_{Y|A=a}$$

Fundamentos Teóricos

El enfoque se basa en tres similitudes estructurales clave entre $P_{Y(a)}$ y $P_{Y|A=a}$ bajo supuestos causales estándar (consistencia, intercambiabilidad condicional y positividad):

1. Soporte y Comportamiento de Colas Idénticos: Bajo el supuesto de positividad, ambas distribuciones comparten el mismo soporte y clase de cola. Esto permite que los métodos basados en flujos eviten las limitaciones de mala especificación comunes al transportar desde una distribución base fija (por ejemplo, Gaussiana) hacia un objetivo con propiedades geométricas diferentes.
2. Proximidad Estadística: La distancia de Variación Total (TV) entre la fuente y el objetivo está acotada por la fuerza de la confusión. Bajo una confusión débil o suave, las distribuciones están estadísticamente cerca, lo que implica que el mapa de transporte óptimo es cercano a la identidad.
3. Preservación de Características: Las características de $Y$ que son invariantes a los confusores $X$ (por ejemplo, la forma del objeto en imágenes, mientras que el color es el confusor) comparten la misma distribución tanto en $P_{Y|A=a}$ como en $P_{Y(a)}$. Esto sugiere que el problema de aprendizaje es de edición estructurada en lugar de generación completa.

Estimador: Ajuste de Flujos Desviado (DECFM)

Para estimar el flujo $f_a$ a partir de datos observacionales, los autores emplean Ajuste de Flujos (Flow Matching) (Lipman et al., 2023). El campo de velocidad $v_{\theta_a}$ se parametriza mediante una red neuronal, y el flujo es la solución en tiempo-1 de la EDO asociada.

Surge un desafío crítico porque el funcional objetivo para la estimación depende de la distribución de datos a través del propio modelo (mediante la distribución base $P_{Y|A=a}$). Las técnicas estándar de desviación semiparamétrica, que asumen que la función de momentos es fija, son insuficientes. Los autores derivan una corrección nueva de la Función de Influencia Eficiente (EIF) para manejar esta dependencia.

El estimador propuesto, DecFM, utiliza un estimador desviado de un paso:
$$\hat{m}(\theta_a) = \frac{1}{n} \sum_{i=1}^n \left( \hat{\mu}_{\theta_a}(A_i, X_i) + \hat{\phi}_{\theta_a, a}(X_i, A_i, Y_i) \right)$$
donde $\hat{\phi}_{\theta_a, a}$ es la EIF derivada. Este estimador logra:

• Doble Robustez: La consistencia se mantiene si el modelo de puntuación de propensión $\hat{\pi}_a$ o el modelo de resultados condicionales $\hat{P}_{Y|A,X}$ es consistente.
• Eficiencia Semiparamétrica: El estimador alcanza el límite de eficiencia bajo condiciones de regularidad estándar.
• Manejo de Procesos-V: Los autores extienden las pruebas de eficiencia existentes para manejar los procesos-V que surgen del uso de medidas empíricas para la distribución base.

Extensión a Dimensiones Altas (Acoplamiento OT)

En espacios de alta dimensión, el acoplamiento independiente estándar utilizado en el ajuste de flujos puede no producir la ruta de transporte más eficiente. Los autores extienden el método para dirigir flujos de Transporte Óptimo (OT) reemplazando el acoplamiento independiente con un acoplamiento OT entrópico (calculado mediante el algoritmo de Sinkhorn) entre las distribuciones base y objetivo. Esto resulta en flujos de "mínima energía" con trayectorias más rectas, que son más fáciles de aprender y más robustos a las limitaciones de capacidad del modelo.

Contribuciones Clave

1. Caracterización Estructural: El artículo caracteriza formalmente el soporte compartido, el comportamiento de colas y la invarianza de características entre distribuciones observacionales y contrafactuales, motivando el uso de flujos de desconfusión.
2. Estimador Desviado (DecFM): Un nuevo estimador de ajuste de flujos basado en una corrección EIF novedosa que cuenta con la dependencia del objetivo sobre la distribución base estimada. Se demuestra que el método es doblemente robusto y semiparamétricamente eficiente.
3. Extensión OT: Una extensión para dirigir flujos OT de mínima energía en dimensiones altas, ofreciendo un objetivo geométrico más simple para el algoritmo de aprendizaje.
4. Validación Empírica: Se demostró un rendimiento superior sobre estimadores desviados existentes de última generación (incluyendo DoubleGen, TSE e INFs) en benchmarks sintéticos y conjuntos de datos causales del mundo real (ACIC, TWINS, 401k).

Resultados Experimentales

El método fue evaluado en:

• Resultados Sintéticos 1D/2D: DecFM superó significativamente al ajuste de flujos con base Gaussiana en escenarios con colas pesadas y soporte dividido, donde los métodos estándar fallan debido a la desajuste de soporte.
• Benchmarks Causales: En los conjuntos de datos ACIC, TWINS y 401k con diversas geometrías de resultados (Gaussiana, Soporte Dividido, Colas Pesadas), DecFM logró el menor error de Wasserstein-1 en promedio.
• Generación de Imágenes (ColorMNIST & CelebA):
  • ColorMNIST: En una tarea controlada donde la clase de dígito ($A$) estaba confundida con el color del primer plano ($X$), DecFM reequilibró con éxito la distribución de colores mientras preservaba la estructura del dígito, superando a las líneas base basadas en Gaussianas.
  • CelebA: En una tarea de alta dimensión para reequilibrar el color del cabello ($X$) entre sexos ($A$), DecFM produjo imágenes de alta calidad con distribuciones de color del cabello corregidas mientras preservaba el contenido semántico (identidad facial, pose), demostrando que el flujo aprende ediciones estructuradas en lugar de sintetizar imágenes desde el ruido.

Significado y Afirmaciones

El artículo afirma que, al aprovechar la proximidad geométrica entre las distribuciones observacionales y contrafactuales, los flujos de desconfusión ofrecen una alternativa más eficiente y robusta al modelado generativo "desde cero". Los autores argumentan que este enfoque mitiga modos de fallo conocidos de los métodos basados en flujos (como la dificultad para adaptarse al comportamiento de las colas o al soporte desconectado) y proporciona una manera principial de eliminar correlaciones espurias en modelos generativos.

El significado radica en la combinación de la teoría de identificación causal con el modelado generativo moderno (ajuste de flujos) para crear un método que es tanto estadísticamente eficiente (doble robustez) como prácticamente efectivo para tareas de alta dimensión como la generación de imágenes. Los autores señalan que, aunque el método hereda las limitaciones estándar de la inferencia causal (por ejemplo, la dependencia de supuestos de confusión no observada), proporciona un marco práctico para desviar modelos generativos en configuraciones donde la distribución objetivo es estructuralmente similar a los datos observados.