📊 statistics

FoundCause: Causal Discovery with Latent Confounders from Observational Data

FoundCause es un novedoso modelo de descubrimiento causal amortizado que aprovecha una arquitectura de transformador con sesgos inductivos especializados para inferir directamente grafos causales, incluyendo confundidores latentes, a partir de datos observacionales en una sola pasada hacia adelante, superando tanto a los métodos clásicos como a los métodos amortizados existentes en diversos conjuntos de datos del mundo real.

Autores originales: Patrick Blöbaum, Krishnakumar Balasubramanian, Shiva Prasad Kasiviswanathan

Publicado 2026-06-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Patrick Blöbaum, Krishnakumar Balasubramanian, Shiva Prasad Kasiviswanathan

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 tratando de descubrir quién causó qué en la escena de un crimen complejo, pero solo tienes un montón de fotos de vigilancia borrosas (datos observacionales). No puedes volver atrás para repetir el crimen (intervenciones), y sospechas que hay maestros de las sombras invisibles (confundidores latentes) moviendo los hilos detrás de escena que no puedes ver.

Este es el desafío del Descubrimiento Causal. El artículo presenta una nueva herramienta de detective llamada FoundCause.

Así es como funciona FoundCause, explicado mediante analogías de la vida cotidiana:

1. El "Montaje de Entrenamiento" (Inferencia Amortizada)

La mayoría de los detectives de la vieja escuela (algoritmos tradicionales) intentan resolver cada nuevo caso desde cero. Pasan horas analizando las fotos específicas, ejecutando pruebas matemáticas complejas y buscando patrones. Esto es lento y suele fallar si el caso es desordenado.

FoundCause es diferente. Es como un detective que ha visto miles de películas de entrenamiento (datos sintéticos) antes de ver siquiera un caso real.

La Analogía: En lugar de resolver un rompecabezas pieza por pieza para cada nuevo rompecabezas, FoundCause ya ha practicado con millones de rompecabezas falsos. Aprendió las reglas generales de cómo se ven las causas y los efectos.
El Resultado: Cuando le das un conjunto de datos reales, no necesita "pensar" ni calcular durante horas. Simplemente mira los datos y dibuja instantáneamente (en una sola pasada hacia adelante) el mapa de quién causó qué. Es como reconocer un rostro en una multitud instantáneamente porque has visto ese tipo de rostro un millón de veces antes.

2. La "Visión de Dos Canales" (Manejo de Datos Faltantes)

Los datos del mundo real suelen ser desordenados. Algunas cámaras de vigilancia están rotas, o algunos testigos no se presentaron (datos faltantes).

La Analogía: Los métodos tradicionales a menudo intentan "adivinar" las piezas faltantes llenando los huecos con promedios (como adivinar que una pieza faltante del rompecabezas es azul porque el cielo es azul). Esto a menudo conduce a conclusiones erróneas.
El Truco de FoundCause: Tiene un canal de "máscara" especial. No solo mira los números; mira dónde faltan los números. Trata la "ausencia" misma como una pista. Es como un detective que sabe que la ausencia de un testigo en una habitación específica es tan importante como el testigo que sí estuvo allí.

3. El "Maestro de Marionetas Oculto" (Confundidores Latentes)

A veces, dos cosas suceden juntas no porque una causara la otra, sino porque una tercera cosa invisible causó ambas.

La Analogía: Imagina que ves que las "Ventas de Helados" y los "Ataques de Tiburones" aumentan juntos. Un mal detective podría decir: "El helado causa ataques de tiburones". Un detective inteligente sabe que hay un factor oculto: El Calor del Verano.
El Truco de FoundCause: Tiene un módulo especial dedicado a encontrar estos "Calores de Verano" invisibles. Utiliza "tokens" aprendibles (como notas adhesivas invisibles) para representar causas comunes ocultas. Pregunta explícitamente: "¿Hay un maestro de marionetas invisible moviendo los hilos de estas dos variables?". Esto es algo inédito para este tipo de modelo de IA.

4. El "Kit de Herramientas Especializado" (Sesgos Inductivos)

FoundCause no es solo un cerebro genérico; está construido con herramientas específicas diseñadas para la causalidad.

El Sensor de "Asimetría": Las causas y los efectos rara vez son simétricos. Si empujas una pelota, esta se mueve; si la pelota se mueve, no necesariamente te empuja a ti. FoundCause utiliza medidas estadísticas de "asimetría" clásicas (como verificar si el ruido en los datos se ve diferente dependiendo de hacia qué lado mires) para determinar la dirección.
El Refinador de "Triángulos": La causalidad a menudo ocurre en cadenas (A causa B, B causa C) o en formas de V (A y B causan ambos a C). FoundCause tiene un paso de "refinamiento triangular". Observa grupos de tres variables a la vez para ver si forman una cadena o una bifurcación, ayudando a distinguir entre patrones de apariencia similar que confunden a otros métodos.

5. El "Decodificador Factorizado" (Separar el "Si" del "Hacia Qué Lado")

Al decidir si dos variables están conectadas, FoundCause divide la decisión en dos pasos:

Existencia: "¿Están estas dos variables conectadas en absoluto?" (Verificación simétrica).
Dirección: "Si están conectadas, ¿quién es el jefe?" (Verificación asimétrica).
Esto es como preguntar primero: "¿Estas dos personas hablaron?" y luego preguntar: "¿Quién inició la conversación?", en lugar de intentar responder ambas cosas a la vez.

Los Resultados: Por Qué Importa

El artículo probó FoundCause contra 15 conjuntos de datos del mundo real (que van desde registros médicos hasta registros de microservicios) y lo comparó con 11 métodos clásicos y 4 otros métodos de IA.

Velocidad: Resuelve el problema en menos de 2 segundos, mientras que los métodos clásicos pueden tardar horas o incluso días.
Precisión: Acertó la "dirección" de las causas con más frecuencia que cualquier otro método (mejorando la puntuación F1 en casi un 10%).
Robustez: No colapsó ni falló en conjuntos de datos difíciles y desordenados donde otros métodos se rindieron.
Generalización: Incluso cuando fue probado en conjuntos de datos con más variables de las que se le entrenó (como pasar de un rompecabezas de 50 variables a uno de 100 variables), no se desmoronó; simplemente se volvió un poco menos preciso, pero siguió funcionando.

En resumen: FoundCause es un "superdetective" que aprendió de millones de casos falsos, sabe cómo detectar maestros de marionetas invisibles, puede manejar cámaras rotas y resuelve nuevos misterios instantáneamente aplicando los patrones que aprendió, en lugar de reinventar la rueda para cada nuevo caso.

Resumen Técnico: FoundCause

Planteamiento del Problema

El descubrimiento causal a partir de datos observacionales sigue siendo un desafío fundamental en el aprendizaje automático y la estadística. La dificultad central radica en recuperar estructuras causales dirigidas e identificar la confusión latente (latent confounding) sin acceso a intervenciones controladas. Aunque los métodos clásicos (por ejemplo, PC basado en restricciones, GES basado en puntuación y enfoques de optimización continua como NOTEARS) están bien fundamentados, sufren limitaciones significativas: requieren una optimización costosa por cada conjunto de datos, son sensibles a los hiperparámetros y a los supuestos de distribución, y a menudo no logran escalar a regímenes de datos de alta dimensionalidad o heterogéneos. Además, el descubrimiento causal generalmente no es identificable sin supuestos fuertes (por ejemplo, linealidad, ruido aditivo o fidelidad/faithfulness), los cuales son frecuentemente violados en escenarios del mundo real.

Los enfoques amortizados recientes han intentado abordar la escalabilidad entrenando modelos en datos sintéticos para mapear conjuntos de datos directamente a grafos. Sin embargo, los métodos neuronales existentes suelen carecer de la incorporación explícita de sesgos inductivos causales específicos del dominio, tales como la asimetría en las relaciones causa-efecto o patrones estructurales de orden superior (cadenas, colisionadores), y típicamente fallan al no modelar explícitamente la confusión latente.

Metodología: FoundCause

FoundCause es un modelo de descubrimiento causal amortizado diseñado para mapear conjuntos de datos observacionales directamente a grafos causales (tanto bordes dirigidos como matrices de confusión latente) en una sola pasada hacia adelante (forward pass). El modelo se entrena enteramente en Modelos Causales Estructurales (SCMs) sintéticos y se generaliza a datos del mundo real sin necesidad de ajuste por conjunto de datos.

Arquitectura

La arquitectura es un diseño híbrido que combina un transformador invariante a la permutación con sesgos inductivos estadísticos explícitos:

Representación de Entrada: El modelo acepta una matriz de datos $X \in \mathbb{R}^{N \times D}$ y una máscara de observación binaria opcional $M$ . Cada entrada se representa como un vector de 2 canales que contiene el valor normalizado y el estado de observación, asegurando que el modelo maneje los datos faltantes de forma nativa sin imputación.
Codificador Factorizado por Ejes: El codificador central utiliza un transformador con bloques de atención alternos sobre muestras ( $N$ $N$ ) y variables ( $D$ $D$ ).
- Atención de Variables: Incorpora tokens globales aprendibles y un sesgo condicionado estadísticamente. Este sesgo inyecta características estadísticas de pares derivadas de medidas de asimetría clásicas (por ejemplo, correlación, asimetría de la varianza residual, indicadores de estructura V) directamente en el mecanismo de atención, guiando al modelo hacia señales causales conocidas.
- Atención de Muestras: Agrega información a través de las muestras para capturar propiedades distribucionales.
Agrupación (PMA): Un mecanismo de Agrupación por Atención Multicabezal (PMA) agrega las representaciones a nivel de muestra en representaciones por variable, combinadas con el pooling máximo para capturar propiedades distribucionales de orden superior como la multimodalidad.
Decodificador de Bordes Factorizado: La cabeza de predicción separa la existencia del borde de la dirección del mismo:
- Cabeza de Existencia: Utiliza características simétricas (suma de embeddings, producto elemento a elemento y puntuaciones de confusión) para predecir si existe un borde.
- Cabeza de Dirección: Utiliza características antisimétricas (diferencia de embeddings y estadísticas asimétricas con compuerta/gated) para predecir la orientación.
Refinamiento Triangular: Inspirado en AlphaFold2, un módulo de refinamiento realiza $R$ rondas de actualizaciones sobre triples de variables $(i, k, j)$ . Esto permite el razonamiento sobre motivos causales de orden superior (cadenas, bifurcaciones, colisionadores) para resolver clases de equivalencia de Markov.
Módulo de Confusión: Un módulo dedicado utiliza tokens latentes aprendibles para modelar causas comunes ocultas. Calcula las probabilidades de confusión por pares mediante una agregación de tipo noisy-OR de las cargas de los tokens de las variables, produciendo una matriz de confusión simétrica $\hat{C}$ .

Entrenamiento y Pérdida

El modelo se entrena en miles de SCMs sintéticos generados mediante DoWhy y generadores personalizados, abarcando diversas topologías de grafos, mecanismos no lineales y distribuciones de ruido. Las estrategias clave de entrenamiento incluyen:

Regeneración Continua: Los datos sintéticos se regeneran en cada época para evitar el sobreajuste a un corpus fijo.
Aumento Anti-Atajos (Anti-Shortcut Augmentation): La permutación aleatoria de los índices de las variables y la mezcla de subpoblaciones se utilizan para evitar que el modelo dependa de correlaciones espurias (por ejemplo, el orden de las variables).
Función de Pérdida: El objetivo combina una entropía cruzada binaria balanceada por clase para bordes dirigidos con varios términos auxiliares:
- Calibración de Dirección ( $L_{cal}$ ): Limita las brechas extremas de logit entre direcciones opuestas.
- Supervisión de Esqueleto ( $L_{skel}$ ): Proporciona supervisión independiente de la dirección para la adyacencia.
- Pérdida de Confusión ( $L_{conf}$ ): Supervisa el módulo de confusión latente.
- Sparsity y Regularización: Penalizaciones por grafos excesivamente densos y regularización para los mecanismos de pooling/gating.

Contribuciones Clave

Modelado Explícito de Confusión Latente: FoundCause es el primer enfoque de descubrimiento causal amortizado que modela explícitamente la confusión latente utilizando tokens aprendibles dedicados, produciendo tanto un grafo acíclico dirigido (DAG) como una matriz de confusión simétrica.
Sesgos Inductivos Estadísticos: A diferencia de las arquitecturas neuronales genéricas, FoundCause inyecta características estadísticas de pares clásicas (asimetría, estructuras V) directamente en el mecanismo de atención y el proceso de decodificación, uniendo los principios del descubrimiento causal clásico con el aprendizaje profundo.
Refinamiento Triangular: La introducción de un módulo de refinamiento basado en triángulos permite al modelo razonar sobre motivos causales de orden superior, mejorando la resolución de las estructuras de equivalencia de Markov.
Manejo Nativo de Datos Faltantes: La arquitectura procesa de forma nativa entradas con máscara, evitando el sesgo introducido por los métodos de imputación utilizados en los baselines clásicos.
Generalización Zero-Shot: El modelo demuestra una robusta generalización a conteos de variables ( $D$ ) y tamaños de muestra ( $N$ ) más allá de su rango de entrenamiento ( $D \in [2, 50]$ ), manteniendo el rendimiento en conjuntos de datos con hasta $D=100$ .

Resultados Experimentales

FoundCause fue evaluado en 15 benchmarks del mundo real y semi-realistas (incluyendo ASIA, CHILD, SACHS y PETSHOP) y el benchmark de pares causa-efecto de Tubinga.

Desempeño: FoundCause supera a 11 métodos clásicos no amortizados (por ejemplo, PC, GES, NOTEARS) y a 4 métodos amortizados (por ejemplo, AVICI, CSIvA, SEA).
- Logra una mejora del +9.6% en F1 y un +1.2% en AUROC sobre los métodos no amortizados más fuertes.
- Reduce la Distancia de Hamming Estructural (SHD/d) en un 18.9% respecto al mejor baseline clásico.
- Es el único método en alcanzar el rango superior en F1, AUROC y SHD/d mientras completa con éxito la inferencia en los 15/15 datasets (algunos métodos clásicos agotan el tiempo o fallan en grafos densos).
Dirección Bivariante: En el benchmark de Tubinga, FoundCause se acerca al desempeño de métodos bivariados especializados (SLOPPY, HECI) y supera significativamente a los baselines clásicos como ICA-LiNGAM.
Robustez: Bajo una corrupción de 30% de Datos Faltantes al Azar (MAR), FoundCause retiene el 92% de su F1 de datos limpios, mientras que los métodos clásicos que dependen de la imputación de la media se degradan significativamente.
Eficiencia: La inferencia se realiza en menos de 2 segundos en promedio, en una sola pasada hacia adelante, comparado con las horas requeridas por los métodos basados en optimización.

Significado y Reivindicaciones

El artículo afirma que FoundCause representa un paso significativo hacia un descubrimiento causal escalable y práctico. Al combinar la inferencia amortizada con sesgos inductivos estructurados, aborda el compromiso entre las garantías teóricas de los métodos clásicos y la escalabilidad de los enfoques neuronales.

Los autores enfatizan que FoundCause no depende de nuevas garantías de identificabilidad, sino que aprende procedimientos de inferencia prácticos que funcionan bien a través de un amplio espectro de procesos de generación de datos. El modelado explícito de la confusión latente y la capacidad de manejar datos faltantes de forma nativa se destacan como avances críticos para la aplicabilidad en el mundo real. El trabajo posiciona a FoundCause tanto como una herramienta práctica para el análisis causal aplicado como una base para futuros modelos que incorporen de forma nativa el razonamiento causal. Los autores planean abrir el código del modelo para apoyar la reproducibilidad.