Resumen Técnico: Descubrimiento Causal con Confusión Latente mediante la Geometría del Corchete de Lie

1. Planteamiento del Problema

El descubrimiento causal enfrenta un cuello de botella combinatorio fundamental: el espacio de posibles Grafos Acíclicos Dirigidos (DAG) crece de forma superexponencial con el número de variables. Los métodos existentes, como las búsquedas basadas en puntuación (p. ej., GES, NOTEARS) o los enfoques basados en restricciones (p. ej., FCI), tienen dificultades con esta escala, particularmente en presencia de confusión latente. Los métodos tradicionales de variables latentes suelen depender de fuertes supuestos estructurales (p. ej., dispersión, linealidad o una no-gaussianidad específica) o requieren una búsqueda exhaustiva sobre Clases de Equivalencia de Markov (MEC), lo que solo ofrece una reducción de un factor constante en la complejidad del espacio de búsqueda.

El artículo postula que la confusión latente no es simplemente un nodo ausente, sino una obstrucción al transporte coherente de la información causal entre los regímenes observacional e intervencional. Cuando existen variables no observadas, la variedad estadística exhibe una curvatura que impide que los flujos de intervención locales conmuten, una propiedad que los algoritmos estándar de búsqueda de grafos no logran explotar directamente.

2. Marco Teórico: Kan-Do-Calculus (KDC)

El artículo se construye sobre el Kan-Do-Calculus (KDC), que reformula la inferencia causal a través de la teoría de categorías.

• Bi-adjunción Categórica: La distinción entre el condicionamiento pasivo y la intervención activa se modela como una bi-adjunción:
  $$\text{Lan}_K \dashv K^* \dashv \text{Ran}_K$$
  • Extensión de Kan por la Izquierda ($\text{Lan}_K$): Modela la intervención ($P(Y | \text{do}(X))$) como un operador de empuje hacia adelante (pushforward) universal.
  • Extensión de Kan por la Derecha ($\text{Ran}_K$): Modela el condicionamiento ($P(Y | X)$) como un operador de tracción hacia atrás (pullback) universal.
  • Pre-composición ($K^*$): Representa la interfaz observacional.
• Traducción Geométrica: Cuando se transportan a variedades estadísticas suaves, las derivadas de Radon–Nikodym entre las medidas observacionales e intervencionales inducen campos vectoriales causales locales.
• Obstrucción Latente: Si el sistema está libre de confusión latente, estos campos vectoriales deberían ser integrables (sus corchetes de Lie se cierran dentro del espectro visible). La confusión latente se manifiesta como un residuo de corchete de Lie no nulo ($[v_i, v_j] \neq 0$), que representa una curvatura geométrica que no puede explicarse mediante las variables observadas.

3. Metodología

El artículo introduce dos algoritmos: BRIDGE (un pipeline de cribado modular) y SKFM (un método de inferencia geométrica de extremo a extremo).

3.1 BRIDGE: Residuos de Corchete para el Descubrimiento Intervencional y la Estimación Geométrica

BRIDGE es un pipeline de dos etapas diseñado para reducir el espacio de búsqueda antes de aplicar algoritmos de puntuación estándar.

1. Estimación de Densidad Intervencional: Utiliza un motor de densidad (p. ej., flujo normalizante o Gaussiano regularizado) para estimar la razón de Radon–Nikodym $\rho_i = dP_{\text{do}(X_i)} / dP_{\text{obs}}$. Esto define un campo vectorial local $v_i \approx \nabla \log \rho_i$.
2. Cribado de Lie/Frobenius:
   • Calcula el corchete de Lie $[v_i, v_j] = \nabla v_j \cdot v_i - \nabla v_i \cdot v_j$ para pares de intervenciones.
   • Puntuación Asimétrica: Mide la influencia dirigida mediante la reducción de la varianza bajo reponderación.
   • Detección de Latencia: Los corchetes que no cierran (residuos de Frobenius) se marcan como candidatos a obstrucción latente o desajuste de régimen.
3. Reducción de la Familia de Candidatos: El cribado geomético produce una máscara de alta recuperación de las flechas admisibles, filtrando aquellas direcciones inconsistentes con la integrabilidad local.
4. Puntuación de Etapa Posterior (Downstream): Un puntuador estándar (p. ej., GES, TCES, BIC) opera únicamente sobre la familia de DAGs podada.

3.2 SKFM: Ajuste de Flujo de Kan-Do Espectral (Spectral Kan-Do Flow Matching)

SKFM es un algoritmo diferenciable de extremo a extremo que intenta recuperar el grafo directamente de la geometría aprendida, evitando la etapa de búsqueda discreta.

1. Ajuste de Flujo Amortizado: Utiliza el Ajuste de Flujo Condicional (CFM) para aprender una única red neuronal $f_\theta$ que parametriza los campos de intervención para todas las variables simultáneamente, evitando la necesidad de $d$ modelos independientes.
2. Factorización Espectral de Factores Latentes:
   • Construye una Matriz de Gram de Curvatura Causal $G$ a partir de las normas al cuadrado de los corchetes de Lie.
   • Realiza la descomposición de autovalores para identificar la huella de curvatura latente. El rango de $G$ estima la dimensionalidad del subespacio de confusión latente.
   • Proyecta los campos vectoriales sobre el complemento ortogonal del subespacio latente para "pelar" la confusión.
3. Restricción de Álgebra de Lie Resoluble: Impone la aciclicidad mediante una penalización suave sobre las constantes de estructura del álgebra de Lie, asegurando que el grafo extraído corresponde a un subálgebra resoluble (triangular).
4. Extracción de Grafo: Extrae directamente la matriz de adyacencia a partir de las puntuaciones de influencia aprendidas y las proyecciones espectrales, sujeto a un orden topológico.

4. Resultados Clave

Los experimentos validan el marco de trabajo a través de conjuntos de datos sintéticos y del mundo real:

• Cadenas Sintéticas (Confusión Latente):

  • En una cadena de 7 nodos con un confuso en el extremo, BRIDGE retuvo las 6 aristas verdaderas mientras reducía el conjunto de flechas candidatas de 42 a 21.
  • El puntuador de etapa posterior TCES/BIC en esta familia podada alcanzó un F1 dirigido medio de $\approx 0.86$ en DAGs aleatorios de 10 nodos, superando significativamente la búsqueda directa.
  • SKFM recuperó con éxito estructuras de cadena exactas cuando se suministró el orden topológico real, evitando por completo el proceso de puntuación combinatoria.

• Motivos No-Cadena (Diamante, Colisionador/Horquilla):

  • Las máscaras de influencia estándar fallaron al retener todas las aristas verdaderas en motivos complejos.
  • Rescate por Curvatura Espectral: El uso de la descomposición espectral del espectro de Lie para identificar huellas latentes restauró la recuperación perfecta de candidatos para los motivos Diamante y Colisionador/Horquilla.
  • Calibración de SKFM: Mediante la regularización de continuidad y la puntuación de gradiente de contaminación, SKFM logró la recuperación exacta en estos motivos, aunque se mantuvo inestable en DAGs aleatorios generales sin un puntuador de etapa posterior.

• Benchmarks del Mundo Real:

  • Señalización de Proteínas Sachs: El cribado geomético redujo el espacio de búsqueda en un 60% preservando casi toda la estructura seleccionada por el GES agrupado. Sin embargo, identificó una "frontera de calibración": las correlaciones de continuidad en datos reales (0.587) fueron significativamente menores que en los regímenes sintéticos, lo que condujo a una alta precisión pero baja recuperación. El artículo trata esto como un diagnóstico de la no-estacionariedad de los datos más que como un fallo del método.
  • Expresión Génica S9: Aplicado a un panel de 9 genes sin un estándar de oro, el cribado geomético comprimió la familia de DAG etiquetada de $\approx 10^{15}$ a $\approx 1.2 \times 10^5$ candidatos acíclicos, demostrando la tractabilidad para la escala del mundo real.
  • PISA 2022: Aplicado a variables de tendencia de la OCDE, el método produjo un grafo compacto consistente con las afirmaciones causales base, sirviendo como un diagnóstico de solo descubrimiento.

5. Significado y Reivindicaciones

El artículo reclama las siguientes contribuciones:

1. Reencuadre Geométrico de la Latencia: Establece que la confusión latente es una obstrucción geométrica irreducible (corchete de Lie no nulo) en lugar de solo un nodo ausente. Esto permite la detección de estructura oculta sin asumir dispersión o formas paramétricas específicas.
2. Compresión del Espacio de Búsqueda: La principal contribución práctica es el pipeline BRIDGE, que utiliza la geometría local de Lie/Frobenius para podar la familia de flechas admisibles antes de la puntuación. Esto convierte un problema de búsqueda superexponencial en una optimización restringida tratable, logrando una alta recuperación de las aristas verdaderas mientras reduce el espacio de búsqueda en órdenes de magnitud (p. ej., compresión de $10^4\times$ a $10^9\times$).
3. Inferencia Geométrica de Extremo a Extremo: SKFM demuestra que, bajo condiciones específicas (cadenas ordenadas, campos calibrados), el descubrimiento causal puede realizarse directamente en el espacio de campos del álgebra de Lie aprendida, recuperando dimensiones latentes y la estructura del grafo sin enumeración combinatoria.
4. Consistencia Categórica: El trabajo proporciona un lente teórico unificado donde las intervenciones, el condicionamiento y los contrafácticos (formalizados como transporte paralelo y holonomía) son consistentes con la bi-adjunción Kan-Do.

Limitaciones y Modestia:
El artículo es modesto respecto a sus afirmaciones sobre la recuperación de grafos generales. Establece explícitamente que la extracción directa de SKFM es inestable para DAGs aleatorios generales y no ordenados sin un puntuador de etapa posterior. El heurístico de extracción de grafo "Paso 9" sigue siendo un cuello de botella para los motivos que no son cadenas. Además, en datos biológicos del mundo real (Sachs), el método identifica una frontera de calibración donde las correlaciones de continuidad caen, sugiriendo que, si bien el cribado geomético es robusto, la recuperación completa de grafos biológicos complejos requiere un mejor manejo del desajuste de régimen y los bucles de retroalimentación. Las garantías teóricas (Proposiciones 5.1, 7.1, 7.2) son asintóticas y dependen de supuestos de regularidad, margen y brecha de autovalores (eigen-gap).

En resumen, el artículo propone un pipeline práctico de cribado geométrico que reduce eficazmente el espacio de búsqueda del descubrimiento causal y proporciona un relato calibrado de cuándo la extracción directa del espacio de Lie es factible frente a cuándo es necesario un puntuador de etapa posterior.