📊 statistics

Interventional Processes for Causal Uncertainty Quantification

Cet article introduit un cadre basé sur les processus gaussiens qui exploite les représentations d'espaces de Hilbert à noyau reproduisant pour fournir une quantification de l'incertitude fiable, traitable et calibrée pour les fonctions causales interventionnelles, répondant ainsi aux défis liés à l'estimation de fonctions entières plutôt que de valeurs scalaires.

Auteurs originaux : Hugh Dance, Peter Orbanz, Arthur Gretton

Publié 2026-06-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hugh Dance, Peter Orbanz, Arthur Gretton

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le gros problème : Deviner le « Et si ? » avec confiance

Imaginez que vous êtes un médecin essayant de décider si un nouveau médicament fonctionne. Vous ne pouvez pas simplement regarder les personnes qui ont pris le médicament et dire : « Ça a marché ! », car peut-être que ces personnes étaient déjà en meilleure santé. Vous devez savoir : Si nous forçons une personne spécifique à prendre le médicament, que se passe-t-il ?

En statistiques, on appelle cela un effet causal. La difficulté n'est pas seulement de deviner la réponse (l'« estimation ponctuelle ») ; c'est de savoir à quel point vous pouvez être sûr de cette réponse.

Scalaire vs Fonction : Habituellement, les gens demandent : « Est-ce que le médicament fonctionne en moyenne ? » (un chiffre unique). Mais dans la réalité, la réponse change selon l'âge, le poids ou la génétique du patient. La réponse est une fonction entière (une courbe montrant comment le médicament agit pour tout le monde).
Le Risque : Si vous ne donnez qu'un chiffre unique sans une « plage de confiance », vous pourriez prendre une décision dangereuse. Si vous donnez une plage de confiance trop étroite (surconfiance), vous pourriez penser qu'un médicament est sûr alors qu'il est en fait risqué.

L'ancienne méthode : Essayer de faire entrer un pion carré dans un trou rond

Les méthodes précédentes tentaient d'utiliser un outil appelé Processus Gaussien (GP) pour tracer ces courbes de confiance. Considérez un GP comme une feuille de caoutchouc flexible qui tente de s'adapter aux données.

Cependant, la mathématique derrière les « fonctions causales » est très stricte. Elle vit dans un espace mathématique spécial appelé RKHS (Espace de Hilbert à Noyau Reproduisant).

Le Problème : Essayer de forcer une feuille de caoutchouc standard (GP) à entrer dans cet espace strict et étroit, c'est comme essayer de pousser un pion carré dans un trou rond.
Le Résultat : Les anciennes méthodes (comme « BayesIMP ») essayaient de le faire malgré tout. Cela a causé deux dysfonctionnements majeurs :
1. Le Sous-ajustement (Underfitting) : La feuille de caoutchouc devenait trop rigide et ne pouvait pas assez se plier pour suivre la forme réelle des données. Elle manquait les pics et les creux.
2. L'Effondrement de la Variance (Variance Collapse) : Lorsque vous interrogiez le modèle sur un type de patient qu'il n'avait pas vu auparavant (en dehors des données d'entraînement), la feuille de caoutchouc se aplatissait soudainement. Le modèle devenait surconfiant, affirmant : « Je sais exactement ce qui se passe ici ! » alors qu'il n'en savait rien.

La nouvelle solution : IMPspec (Le pont flexible)

Les auteurs, Hugh Dance, Peter Orbanz et Arthur Gretton, ont construit une nouvelle méthode appelée IMPspec (Interventional Mean Process with Spectral representation).

Voici comment ils ont résolu les problèmes, en utilisant une analogie simple :

1. Assouplir les règles (L'analogie de la « corde lâche »)

Au lieu de forcer la feuille de caoutchouc à rester strictement à l'intérieur de la pièce étroite « causale », ils ont élargi la pièce.

Ils ont réalisé que s'ils laissaient la feuille de caoutchouc être légèrement plus « lâche » (en lui permettant d'exister dans un espace plus large), ils pourraient toujours ramener la réponse finale dans la pièce causale stricte.
Le Tour de Magie : Ils ont utilisé une technique appelée Représentation Spectrale. Imaginez que la fonction causale complexe est une chanson. Au lieu d'essayer d'écrire toute la chanson d'un coup, ils l'ont décomposée en notes musicales individuelles (fréquences). Ils ont placé une feuille de caoutchouc standard et facile à utiliser sur chaque note.
Le Bénéfice : Comme ils travaillent avec des notes individuelles, ils peuvent utiliser des outils standards et fiables. Lorsqu'ils rassemblent les notes, la chanson finale est parfaite, et les mathématiques restent simples.

2. L'étape de « Calibration » (L'analogie du « Thermostat »)

Même avec la nouvelle méthode, les intervalles de confiance (les « bandes d'incertitude ») pourraient être légèrement décalés — peut-être un peu trop serrés ou un peu trop larges.

Les auteurs ont ajouté une étape de Calibration. Considérez cela comme un thermostat.
Ils lancent une simulation (un « bootstrap ») où ils font semblant de rejouer l'expérience de nombreuses fois. Ils vérifient : « Si nous disons que nous sommes sûrs à 95 %, la vérité tombe-t-elle réellement à l'intérieur de notre plage 95 % du temps ? »
Si la réponse est « Non, nous n'avons raison que 80 % du temps », le thermostat ajuste le « bouton » (la mesure spectrale) jusqu'à ce que les intervalles de confiance soient parfaitement calibrés.

Ce qu'ils ont trouvé (Les Résultats)

L'article a testé cette nouvelle méthode de trois manières :

Exemples de Jouets (Toy Examples) : Dans des scénarios simples et fictifs, IMPspec était bien meilleur pour tracer la courbe que les anciennes méthodes. Les anciennes méthodes (BayesIMP) souffraient de « sous-ajustement » (manquant la forme) et d'« effondrement » (devenant surconfiantes dans de nouvelles zones). IMPspec restait flexible et honnête quant à son incertitude.
Benchmarks Synthétiques : Ils ont créé des mondes fictifs complexes avec des variables cachées. IMPspec a de nouveau produit les courbes les plus précises et les intervalles de confiance les plus fiables.
Données Réelles (401(k) et Santé) :
- Ils ont utilisé un ensemble de données réelles sur les plans de retraite 401(k) pour voir comment l'éligibilité affecte la richesse. IMPspec a montré que l'effet augmente avec le revenu, et les bandes d'incertitude étaient raisonnables.
- Ils l'ont utilisé pour l'Optimisation Bayésienne Causale. Imaginez que vous essayiez de trouver la dose parfaite d'un médicament pour minimiser le volume d'une tumeur cancéreuse, mais que vous ne pouvez tester que quelques doses. IMPspec a agi comme un meilleur « guide », aidant la recherche à trouver la meilleure dose plus rapidement et plus sûrement que les autres méthodes car il savait exactement où il était incertain.

L'essentiel

Cet article présente une nouvelle façon de calculer à quel point nous sommes sûrs des effets des interventions (comme les médicaments ou les politiques).

L'ancienne méthode : Tentait de faire entrer un pion carré dans un trou rond, ce qui menait à des modèles rigides, imprécis et dangereusement surconfiants.
La nouvelle méthode (IMPspec) : Décompose le problème en morceaux plus petits et gérables (représentation spectrale), utilise des outils standards pour les résoudre, puis calibre le résultat final comme un thermostat.
Résultat : Cela nous donne une « feuille de caoutchouc » assez flexible pour s'adapter parfaitement aux données, mais assez honnête pour admettre quand elle ne connaît pas la réponse, rendant les décisions à enjeux élevés plus sûres.

Résumé technique : Processus d'intervention pour la quantification de l'incertitude causale

Énoncé du problème

Une quantification de l'incertitude (UQ) fiable pour les effets causaux est cruciale dans les domaines à enjeux élevés comme la santé et les politiques publiques. Bien que les méthodes fréquentistes fournissent des intervalles de confiance valides pour les effets de traitement moyens scalaires (ATE), étendre ces garanties à des cibles causales sous forme de fonctions (par exemple, les effets de traitement moyens conditionnels (CATE) ou les courbes de réponse à la dose continues) reste un défi.

Les approches existantes se heurtent à des obstacles importants :

Limites fréquentistes : Les estimateurs débiaisés standards reposent sur des représentants de Riesz, qui peuvent ne pas exister pour les cibles de type fonction sans hypothèses paramétriques ou de lissage fortes. Ces méthodes sont également sensibles à un recouvrement (overlap) faible dans les échantillons finis.
Limites bayésiennes : L'application de priors sur les lois conditionnelles qui identifient les fonctions d'intervention conduit souvent à une inférence postérieure de complexité computationnelle intraitable.
Limites des processus gaussiens (GP) : Bien que les GP soient la norme pour l'UQ fonctionnelle, la construction de priors spécifiquement pour des fonctions au sein d'un espace de Hilbert à noyau reproduisant (RKHS) est non triviale. Les tentatives précédentes (par exemple, BayesIMP) utilisant des constructions de covariance sur mesure souffrent de pathologies, notamment le sous-ajustement dû à des noyaux non stationnaires et l'effondrement de la variance en dehors du support d'entraînement.

Méthodologie : IMPSPEC

Les auteurs proposent IMPSPEC (Interventional Mean Process via Spectral representation), un cadre basé sur les processus gaussiens qui quantifie l'incertitude sur les fonctions causales en exploitant leurs représentations RKHS. L'innovation centrale réside dans l'assouplissement des contraintes strictes du RKHS pour permettre l'utilisation de la machinerie standard des GP tout en préservant les garanties théoriques des estimateurs à noyau sous-jacents.

1. Assouplissement des contraintes RKHS via la représentation spectrale

Au lieu d'imposer directement les contraintes RKHS originales sur les objets de régression, la méthode élargit les classes de fonctions :

Pour la régression de l'effet (f) : Les auteurs appliquent un prior GP à noyau linéaire simple directement sur la fonction $f$ , plutôt que de construire un prior sur mesure pour imposer la bornitude. Cela élargit la classe de fonctions mais permet des mises à jour postérieures en forme close.
Pour l'intégration conditionnelle ( $\mu$ ) : Puisque $\mu(z) = E[\psi_V(V) | Z=z]$ est une fonction à valeurs de RKHS de dimension infinie, les GP standards ne s'appliquent pas. Les auteurs utilisent le théorème de Mercer pour décomposer la carte de caractéristique $\psi_V$ en une série spectrale de fonctions propres. Cela réduit $\mu$ à une séquence d'espérances conditionnelles à valeurs scalaires ( $\mu_i$ ), sur lesquelles des priors GP scalaires standards peuvent être appliqués indépendamment.

2. Le processus d'intervention

La fonction causale $\gamma(w, z)$ est représentée comme un produit scalaire dans le RKHS : $\gamma(w, z) = f(\psi_W(w) \otimes \mu(z))$ . En combinant les priors GP sur $f$ et les coordonnées spectrales $\mu_i$ , les auteurs définissent un processus d'intervention.

Moyenne a posteriori : La construction garantit que la moyenne a posteriori de $\gamma$ récupère exactement l'estimateur causal à noyau proposé par Singh et al. (2024), ciblant ainsi l'incertitude autour de cette estimation ponctuelle établie.
Variance a posteriori : Les auteurs dérivent des expressions en forme close pour la variance a posteriori, qui se décomposent en trois termes ( $S_1, S_2, S_3$ ) rendant compte de l'incertitude dans $f$ , de l'incertitude dans $\mu$ , et de l'interaction entre les deux.

3. Entraînement des hyperparamètres et calibration

Entraînement : Les hyperparamètres (longueurs d'échelle des noyaux, variances du bruit) sont optimisés en maximisant la vraisemblance marginale. Pour les composantes spectrales, les auteurs agrègent les vraisemblances par coordonnée en un objectif unique pondéré et traitable.
Calibration : Pour traiter les erreurs de couverture potentielles découlant des vraisemblances de substitution et des approximations gaussiennes par ajustement de moments, les auteurs introduisent une procédure de calibration. Celle-ci ajuste la mesure spectrale $\nu$ (un paramètre libre) pour minimiser l'écart entre les niveaux de crédibilité nominaux et la couverture empirique, en utilisant une fonction de perte basée sur le bootstrap.

Contributions clés

Nouveau cadre de GP : Introduction d'une approche basée sur les processus gaussiens pour l'UQ de fonctions d'intervention qui évite les pathologies des constructions de GP contraintes par RKHS précédentes.
Inférence en forme close : Dérivation des moments a posteriori en forme close (moyenne et variance) pour le processus d'intervention, permettant un entraînement et une inférence tractables sans échantillonnage de Monte Carlo de la distribution postérieure.
Cohérence avec les estimateurs ponctuels : La moyenne a posteriori récupère exactement l'estimateur causal à noyau de Singh et al. (2024), assurant que l'UQ est centrée sur une estimation ponctuelle de pointe.
Procédure de calibration : Algorithme pratique de calibration de la couverture a posteriori via l'ajustement de la mesure spectrale, améliorant la fiabilité des intervalles de crédibilité.
Validation empirique : Démonstration d'une quantification de l'incertitude améliorée à travers des benchmarks synthétiques, des tâches d'optimisation bayésienne causale et un ensemble de données réelles à grande échelle (401(k)), tout en maintenant des performances compétitives en estimation d'effet.

Résultats expérimentaux

Les auteurs évaluent IMPSPEC par rapport à plusieurs lignes de base, incluant BayesIMP, les GP par échantillonnage, les forêts aléatoires orthogonales (ORF) et les estimateurs doubles robustes.

Exemple trivial (Toy Example) : IMPSPEC a obtenu l'erreur quadratique moyenne (RMSE) et l'erreur de calibration les plus faibles. Notamment, BayesIMP a systématiquement sous-ajusté la fonction causale, ce qui est attribué à la non-stationnarité de sa construction de noyau.
Benchmark synthétique : IMPSôme a surpassé toutes les méthodes en termes de RMSE, d'erreur de calibration et de score d'intervalle. Crucialement, contrairement à BayesIMP, IMPSPEC n'a pas souffert d'effondrement de la variance en dehors du support d'entraînement, maintenant des estimations d'incertitude fiables dans les régions hors distribution.
Optimisation Bayésienne Causale (CBO) : Dans les tâches visant à trouver des interventions optimales, IMPSPEC a convergé le plus rapidement et a atteint le regret cumulé le plus faible. Dans un cas, c'était la seule méthode capable de trouver l'optimum approximatif dans la limite d'itérations, soulignant l'utilité de ses estimations d'incertitude pour la prise de décision.
Données réelles (401(k)) : Appliqué à un ensemble de 9 915 observations, IMPSPEC a produit des estimations plausibles et conscientes de l'incertitude concernant le CATE dépendant du revenu de l'éligibilité au 401(k) sur les actifs financiers. La méthode a démontré une faisabilité computationnelle, s'exécutant en environ une minute sur un GPU avec une utilisation de mémoire gérable.

Signification et affirmations

L'article affirme qu'IMPSPEC fournit une solution tractable et fiable pour la quantification de l'incertitude dans l'inférence causale lorsque la cible est une fonction plutôt qu'un scalaire. En comblant le fossé entre les estimateurs à noyau non paramétriques et les processus gausiens, la méthode offre :

Robustesse : Évitement de l'effondrement de la variance et du sous-ajustement observés dans les méthodes de GP contraintes par RKHS précédentes.
Praticité : Inférence en forme close et réglage efficace des hyperparamètres adapté aux ensembles de données à grande échelle.
Fiabilité : Amélioration de la calibration des intervalles de crédibilité, ce qui est essentiel pour la prise de décision à enjeux élevés où la surconfiance peut être dangereuse.

Les auteurs soulignent que, bien que la méthode améliore l'UQ, sa fiabilité dans les applications critiques dépend ultimement de l'adéquation des hypothèses d'identification sous-jacentes (par exemple, la validité du graphe causal) et de la qualité de la procédure de calibration. Ils positionnent IMPSPEC comme un outil à utiliser parallèlement à l'expertise du domaine et à l'analyse de sensibilité.