CRC-LS-MOCBO: Safe multi-objective causal Bayesian optimization under uncertain causal structures

Resumen Técnico: CRC-LS-MOCBO

Planteamiento del Problema
El artículo aborda el desafío de la Optimización Bayesiana Causal Multiobjetivo Segura (MOCBO) bajo estructuras causales inciertas. En problemas de intervención (por ejemplo, diseño de ingeniería, aprendizaje de políticas), un optimizador debe seleccionar conjuntos de intervención y sus valores para mejorar múltiples objetivos mientras evita estrictamente violaciones de costos elevados. Los enfoques existentes suelen depender de un grafo causal conocido o de un único grafo estimado mediante la Máxima Verosimilitud a Posteriori (MAP). Los autores argumentan que condicionar sobre un único grafo crea prioris causales y límites de seguridad excesivamente confiados; si el grafo elegido está mal especificado, el optimizador puede heredar estimaciones sesgadas y no detectar intervenciones inseguras que parecen seguras bajo el grafo dominante pero que violan las restricciones bajo estructuras alternativas plausibles.

Metodología: CRC-LS-MOCBO
El método propuesto, Optimización Bayesiana Causal Multiobjetivo de Estructura de Cola Baja y Calibración de Riesgo Conforme (CRC-LS-MOCBO), trata la incertidumbre estructural como una cantidad a nivel de decisión en lugar de un paso de preprocesamiento. El algoritmo opera a través de los siguientes componentes:

1. Generación de Estructuras Candidatas: En lugar de seleccionar un único grafo, el método aprende un conjunto de estructuras candidatas ($G = \{g_1, ..., g_K\}$) a partir de muestras de bootstrap de datos observacionales. A cada estructura se le asigna un peso ($w_g$) basado en su estabilidad a través de las muestras y su ajuste relativo.
2. Priors Condicionados al Grafo con Surrogates de Residuos: Para cada grafo candidato, se construye una media prior causal para la respuesta de la intervención. La respuesta observada se modela como la suma de este prior y un término residual, el cual es ajustado mediante un modelo sustituto (surrogate) de Procesos Gaussianos (GP). Esta descomposición permite al método aprovechar el conocimiento causal mientras absorbe desajustes sistemáticos o errores de muestra finita a través del GP residual.
3. Agregación de Riesgo Asimétrica: El método agrega las predicciones a través de los grafos candidatos de manera diferente para los objetivos y las restricciones:
   • Objetivos: Las ganancias esperadas se agregan utilizando pesos estructurales (promediando a través de estructuras plausibles).
   • Restricciones (Seguridad): Se aplica una regla de riesgo estructural de cola baja. Esto asegura que incluso las estructuras de bajo peso con alto riesgo predicho (violaciones de restricciones) influyan en el cribado de seguridad, evitando que el optimizador ignore grafos "adversos" que sean plausibles.
4. Calibración Conforme en Línea: Para abordar la posible descalibración del surrogate residual, se actualiza un búfer conforme en línea utilizando puntuaciones de no conformidad históricas. Este término se añade al límite superior de la restricción estructural, aumentando dinámicamente el margen de seguridad cuando las predicciones previas subestiman los valores de las restricciones.
5. Adquisición y Selección: En cada ronda, las intervenciones candidatas son filtradas por el límite de restricción estructural calibrado. Entre los candidatos seguros, el método selecciona la intervención que maximiza la mejora del hipervolumen seguro agregada por riesgo.

Contribuciones Clave
El artículo describe cuatro contribuciones específicas:

1. Formulación del Problema: Define un problema de intervención multiobjetivo segura donde tanto el conjunto de intervención como su valor se seleccionan bajo la incertidumbre de la estructura causal candidata.
2. Agregación de Riesgo Estructural: Introduce una regla que permite que las estructuras de bajo peso pero de alto riesgo influyan en el cribado de seguridad, asegurando una toma de decisiones conservadora.
3. Calibración Híbrida: Combina el cribado estructural con un búfer conforme en línea que se adapta a los errores del surrogate residual durante la ejecución de la optimización.
4. Evaluación Reproducible: El estudio proporciona un flujo de trabajo preespecificado y reproducible que involucra 600 ejecuciones principales y 90 ejecuciones de ablación sobre entornos de referencia sintéticos y semi-sintéticos, con registros de auditoría detallados y capturas de configuración.

Resultados Experimentales
El método fue evaluado en cuatro entornos de referencia (Causal-ZDT1, Causal-DTLZ2, un SEM no lineal y el entorno semi-sintético de Sachs) bajo tres condiciones de estructura (correcta, de borde faltante y de confusión oculta débil).

• Rendimiento vs. Baselines: A través de 6 de 600 ejecuciones, CRC-LS-MOCBO logró un hipervolumen seguro promedio de 4.326 con una tasa de violación de 0.0070. Esto superó a los baselines no causales (Safe Sobol y qNEHVI no causal) tanto en calidad final como en seguridad.
• Comparación con MAP-CBO: Comparado con un baseline que utiliza un único prior causal MAP (MAP-CBO), el CRC-LS-MOCBO mostró una mejora modesta en el hipervolumen seguro promedio (4.326 vs. 4.308) y una tasa de violación menor (0.0070 vs. 0.0117). Sin embargo, el artículo señala que esta ventaja no fue uniforme en todas las celdas de problema-estructura; el intervalo de confianza de la diferencia fue positivo en solo dos de doce celdas (una permaneció positiva tras la corrección de Holm).
• Límite Oracle: El True-SCM Oracle (usando el grafo de verdad fundamental) logró un hipervolumen seguro más alto (4.478) y una tasa de violación menor (0.0033), confirmando que la incertidumbre estructural todavía incurre en un costo mensurable.
• Estudio de Ablación: Eliminar los pesos de los priors redujo el rendimiento, mientras que eliminar la calibración conforme aumentó la tasa de violación (de 0.0053 a 0.0107). Una variante de "Ensemble de estructura completa" logró cero violaciones, pero con un costo computacional significativamente mayor (619s frente a 89s) y un costo de intervención más alto, resaltando el equilibrio que busca el CRC-LS-MOCBO.

Significancia y Reclamaciones
Los autores posicionan al CRC-LS-MOCBO no como un sustituto del conocimiento causal preciso, sino como una plantilla conservadora y reproducible para la búsqueda de intervenciones seguras con presupuesto limitado bajo incertidumbre estructural.

• Reclamaciones Modestas: El artículo establece explícitamente que el método mejora el promedio del compromiso entre seguridad y rendimiento en los escenarios probados, pero no reclama una superioridad uniforme sobre los baselines de un solo MAP en todos los escenarios.
• Utilidad Práctica: El método se considera más relevante en dominios donde el conocimiento causal es parcial pero las pruebas inseguras son costosas (por ejemplo, determinación de dosis en medicina personalizada, ajuste de políticas en sistemas autónomos, control de procesos industriales).
• Limitaciones: Los autores reconocen que la evaluación depende de entornos de referencia sintéticos/semi-sintéticos con presupuestos secuenciales cortos (15 rondas) y conjuntos de candidatos finitos. El método no ha sido puesto a prueba contra la confusión oculta adversaria, y el despliegue en el mundo real requeriría validación específica del dominio y supuestos causales más fuertes.

En resumen, el artículo argumenta que la propagación de la incertidumbre estructural a través del bucle de optimización —específicamente mediante la agregación de riesgo asimétrica y la calibración conforme— ofrece un enfoque defendible y auditable para la optimización multiobjetivo segura cuando el grafo causal es imperfectamente conocido.