📊 statistics

Causal Additive Models with Unobserved Causal Paths and Backdoor Paths

Cet article établit des conditions suffisantes pour identifier les directions causales dans les modèles additifs causaux comportant des voies de confusion et des voies causales non observées en caractérisant les ensembles de régression et les résidus, et introduit un algorithme de recherche correct et complet qui démontre des performances compétitives par rapport aux méthodes de l'état de l'art.

Auteurs originaux : Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu

Publié 2026-05-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu

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

Imaginez que vous soyez un détective essayant de déterminer qui a influencé qui dans un groupe de personnes. Vous avez une liste de suspects (variables observables), mais vous savez qu'il y a des agents secrets (variables cachées) qui tirent les ficelles dans l'ombre et que vous ne pouvez pas voir. Votre objectif est de dessiner une carte montrant qui est le patron et qui est l'employé.

Cet article présente un nouvel outil de détective appelé CAM-UV-X pour résoudre ce mystère, spécifiquement lorsque la relation « patron-employé » est obscurcie par ces agents secrets.

Voici la décomposition du problème et de la solution, en utilisant des analogies simples :

Le Problème : Le « Brouillard Invisible »

Dans le monde de la science des données, il existe des méthodes existantes (comme l'ancien outil CAM-UV) qui sont bonnes pour repérer des relations claires. Si la personne A influence clairement la personne B, l'outil dit : « Oui, A est le patron de B. »

Cependant, ces outils butent sur un mur lorsqu'il y a des chemins cachés :

La forme « Arc » : Imaginez que la personne A et la personne B sont toutes deux influencées par un agent secret, la personne U. Cela crée une forme d'« arc » (A ← U → B). Pour les anciens outils, A et B semblent être simplement des amis ou sans rapport, car l'agent secret U brouille le signal. Les anciens outils diraient : « Je ne peux pas dire qui est le patron ici ; c'est trop brumeux. »
Le chemin « Porte de derrière » : Imaginez que A influence B, mais qu'il existe aussi un chemin secret où un agent caché influence les deux. Cela crée une « porte de derrière » qui embrouille le détective.

L'article soutient que les anciens outils étaient trop pessimistes. Ils ont abandonné trop facilement, déclarant de nombreuses relations « non identifiables » (insolubles) alors qu'elles pouvaient en réalité être résolues avec une approche plus intelligente.

La Solution : Une Nouvelle Stratégie de Détective (CAM-UV-X)

Les auteurs, Thong Pham, Takashi Nicholas Maeda et Shohei Shimizu, ont construit un nouvel algorithme appelé CAM-UV-X. Imaginez cela comme une mise à niveau de la boîte à outils du détective avec deux nouveaux super-pouvoirs :

1. Le « Nettoyage des Résidus » (Analyse de Régression)

Imaginez que vous essayez d'entendre un chuchotement (l'influence directe de A sur B) dans une pièce bruyante. Le bruit est l'influence d'autres personnes.

Ancienne Méthode : Le détective essaie de deviner le bruit et de le soustraire. S'il se trompe, il ne peut pas entendre le chuchotement.
Nouvelle Méthode : L'article introduit un moyen de « nettoyer » mathématiquement les données. Ils examinent les morceaux restants (résidus) après avoir pris en compte d'autres facteurs.
La Magie : Ils ont découvert que même s'il y a un agent caché (l'« arc »), si vous nettoyez les données d'une manière très spécifique, les morceaux restants montreront toujours une connexion uniquement s'il existe une relation directe de type patron-employé. C'est comme réaliser que même si deux personnes portent le même uniforme (influencées par le même agent secret), leurs empreintes de pas (résidus) montrent toujours qui mène l'autre.

2. Le « Détective Hybride » (Combinaison d'Indices)

Parfois, le « Nettoyage des Résidus » ne suffit pas. Le nouvel outil combine deux types d'indices :

Type d'indice A : Les morceaux restants du nettoyage (comme décrit ci-dessus).
Type d'indice B : L'« indépendance conditionnelle » standard (vérifier si deux personnes sont sans rapport lorsque l'on connaît une troisième personne).

L'Analogie :
Imaginez que vous essayez de prouver que Alice est la patronne de Bob, mais qu'ils ont tous deux un ami secret, Charlie, qui les influence tous les deux.

Ancien Outil : « Alice et Bob sont tous deux amis avec Charlie. Je ne peux pas dire si Alice est la patronne de Bob. Dossier classé. »
Nouvel Outil (CAM-UV-X) : « Attendez. Je sais qu'Alice est la patronne de Bob car si je retire l'influence de Charlie, Alice et Bob ont toujours une connexion unique. De plus, je sais que Dave (une autre personne) est influencé par Alice mais n'a aucun lien avec Bob. Cela confirme qu'Alice est la patronne. »

En mélangeant ces deux types de logique, le nouvel outil peut résoudre des affaires qui étaient auparavant considérées comme impossibles, y compris les formes d'« arc » délicates.

Ce que l'Article Affirme Réellement

Les auteurs font trois affirmations spécifiques basées sur leurs mathématiques et leurs expériences :

C'est Soluble : Ils ont prouvé mathématiquement que dans de nombreux cas où des variables cachées existent (spécifiquement les « chemins de derrière non observés » et les « chemins causaux non observés »), vous pouvez toujours déterminer qui est le patron et qui est l'employé. Vous n'avez pas besoin de connaître les variables cachées pour résoudre l'énigme ; vous devez simplement regarder les données différemment.
L'Algorithme Fonctionne : Ils ont créé CAM-UV-X. Ils ont prouvé que cet algorithme est sain (il ne ment jamais ; s'il dit que A est le patron de B, alors A l'est vraiment) et complet (il trouve chaque relation qu'il est théoriquement capable de trouver).
Il Performe Bien : Ils l'ont testé sur des données factices (graphes simulés) et sur des données sociologiques réelles (concernant les emplois des pères et les revenus des fils).
- Sur les données factices, il était meilleur pour trouver les connexions correctes que l'ancien outil CAM-UV.
- Sur les données réelles, il a corrigé des erreurs commises par l'ancien outil, telles que l'élimination de fausses connexions « bidirectionnelles » (où l'outil pensait que deux personnes s'influençaient mutuellement de manière égale) et leur remplacement par la direction unidirectionnelle correcte.

Ce qu'il ne Claim Pas

Il ne prétend pas fonctionner pour chaque structure de graphe possible. Il existe encore des « arcs » extrêmement complexes qui pourraient rester insolubles, mais les auteurs n'ont pas encore trouvé d'exemple d'un tel cas.
Il ne prétend pas être un remède médical ou une stratégie de trading financier. C'est strictement une méthode pour découvrir des structures causales à partir de données.
Il ne prétend pas remplacer toutes les autres méthodes, mais plutôt améliorer le cadre spécifique du « Modèle Additif Causal » utilisé dans les recherches précédentes.

Résumé

L'article est comme un détective qui dit : « Nous pensions autrefois que si un agent secret était impliqué, nous ne pouvions pas résoudre l'affaire. Mais nous avons trouvé un nouveau moyen d'examiner les preuves (nettoyer les données et mélanger les indices) qui nous permet de résoudre de nombreux cas de ces affaires « impossibles ». Nous avons construit un nouvel outil (CAM-UV-X) qui fait cela, et il fonctionne mieux que les anciens outils. »

Résumé technique : Modèles additifs causaux avec chemins causaux non observés et chemins de porte arrière

Énoncé du problème
La découverte de structures causales à partir de données observationnelles constitue un défi fondamental, en particulier lorsque des variables non observées (cachées) sont présentes. Les Modèles Additifs Causaux (CAM) offrent un cadre traitable pour modéliser des dépendances non linéaires avec un bruit additif. Cependant, les théories existantes pour la découverte causale dans les CAM avec variables cachées, telles que l'algorithme CAM-UV (Maeda et Shimizu, 2021), rencontrent des limitations significatives. Plus précisément, lorsque des chemins de porte arrière non observés (UBP) ou des chemins causaux non observés (UCP) existent entre deux variables, la relation parent-enfant est souvent considérée comme non identifiable. Cela inclut les configurations « arc-en-ciel » (bow), où deux variables observées partagent un parent caché commun, lesquelles sont notoirement difficiles pour la découverte causale car la confusion cachée obscurcit les liens causaux directs. Les approches précédentes, y compris le cadre d'inférence causale rapide (FCI), traitent généralement ces relations comme non identifiables sans hypothèses supplémentaires fortes sur la structure du graphe.

Méthodologie
L'article propose un nouveau cadre théorique et un algorithme de recherche correspondant, CAM-UV-X, pour combler ces lacunes d'identifiabilité. La méthodologie repose sur une approche hybride combinant :

Indépendance des résidus de régression : Caractérisation des ensembles de variables utilisés dans les régressions de Modèle Additif Généralisé (GAM) pour déterminer l'indépendance parmi les résidus.
Indépendance conditionnelle : Utilisation de l'indépendance conditionnelle parmi les variables observées originales.

Innovations théoriques clés :

Caractérisation affinée de la visibilité/invisibilité : Les auteurs étendent les concepts de paires « visibles » et « invisibles » à des sous-ensembles de variables observées ( $X' \subseteq X$ ). Ils établissent qu'une paire $(x_i, x_j)$ peut être invisible par rapport à l'ensemble complet $X$ (en raison de UBP/UCP) mais devenir visible lorsqu'une variable spécifique $x_k$ est retirée de l'ensemble de conditionnement.
Nouvelles conditions d'identifiabilité :
- Lemmes 4 et 5 : Ces lemmes fournissent des conditions suffisantes pour identifier qu'une variable $x_k$ est un ancêtre de $x_i$ ou de $x_j$ même lorsque la paire $(x_i, x_j)$ est invisible. Cela est réalisé en analysant si les résidus deviennent indépendants uniquement lorsque des variables spécifiques sont incluses dans les ensembles de régression.
- Approche hybride (Corollaires 6.1 et 6.2) : L'article introduit des conditions qui combinent l'indépendance des résidus de régression avec l'indépendance conditionnelle ( $x_k \perp\!\!\perp x_j | x_i$ ). Cela permet d'identifier les directions causales dans les paires invisibles (par exemple, déterminer que $x_i$ est un ancêtre de $x_j$ ) et de résoudre les relations parent-enfant dans les configurations arc-en-ciel, des cas où ni la régression seule ni les méthodes standard d'indépendance conditionnelle (comme FCI) ne réussissent.
Algorithme CAM-UV-X : L'algorithme proposé s'appuie sur le CAM-UV original. Il exécute d'abord CAM-UV pour obtenir une estimation initiale, puis applique itérativement les nouveaux lemmes et corollaires pour :
- Corriger les mauvaises classifications des arêtes visibles/non-arêtes comme invisibles (remédiant à l'incomplétude de CAM-UV).
- Orienter les paires invisibles en vérifiant des critères spécifiques de régression et d'indépendance conditionnelle.
- L'algorithme est prouvé sain et complet pour identifier les arêtes visibles, les non-arêtes visibles et les paires invisibles sous la Condition de Fidélité Causale (CFC) et une hypothèse de fidélité des résidus.

Résultats
L'article présente des évaluations empiriques démontrant les performances de CAM-UV-X :

Exemples illustratifs : Dans des graphes synthétiques (Figures 1a et 1b) conçus pour révéler les limites de CAM-UV (où CAM-UV étiquette incorrectement des arêtes visibles comme invisibles), CAM-UV-X récupère avec succès les structures causales correctes.
Expériences sur graphes aléatoires : Sur des graphes Barabási–Albert (BA) et Erdős–Rényi (ER) avec des facteurs de confusion cachés, CAM-UV-X atteint une précision et des scores F1 plus élevés pour l'identification de la matrice d'adjacence, ainsi qu'un rappel plus élevé pour l'identification des relations d'ancêtre par rapport à CAM-UV et à une adaptation de base de Schultheiss et Bülmann (2024).
Données réelles : Appliqué à un ensemble de données sociologiques (profession du père, revenu du fils, etc.), CAM-UV-X a élagué des arêtes bidirectionnelles spuriaires trouvées par CAM-UV et a correctement identifié des arêtes dirigées cohérentes avec les connaissances de domaine de vérité terrain. Il a également fourni des informations supplémentaires (affirmations de non-adjacence) pour les paires invisibles que CAM-UV ne pouvait pas résoudre.

Importance et revendications
Les auteurs affirment que ce travail établit des conditions suffisantes selon lesquelles les directions causales et les relations parent-enfant peuvent être identifiées dans les CAM même en présence de chemins de porte arrière ou causaux non observés, un scénario précédemment considéré comme non identifiable sans hypothèses structurelles supplémentaires.

Extension des travaux antérieurs : Les résultats étendent les travaux de Maeda et Shimizu (2021) en identifiant les relations parent-enfant dans les configurations « arc-en-ciel » et étendent ceux de Schultheiss et Bülmann (2024) en identifiant des directions causales au-delà de leurs ensembles bien spécifiés.
Impact pratique : En fournissant un algorithme sain et complet pour ces cas spécifiques, l'article vise à améliorer l'adoption pratique de la découverte causale dans des contextes où les variables cachées sont prévalentes.
Limites et travaux futurs : Les auteurs notent modestement que leur théorie actuelle n'utilise pas pleinement toutes les contraintes impliquées par la d-séparation parmi les variables observées. Ils identifient l'écart entre les conditions suffisantes et nécessaires dans les CAM avec variables cachées comme un problème ouvert et suggèrent d'étendre ces approches hybrides à d'autres classes de modèles causaux comme une direction pour la recherche future. L'article ne prétend pas résoudre tous les problèmes d'identifiabilité en présence de variables cachées, mais plutôt de résoudre des cas spécifiques, précédemment intraitables.