Résumé technique : Regroupement (Clustering) et Élagage (Pruning) dans la Fusion de Données Causales

Énoncé du Problème

L'article traite du problème général d'identification de l'effet causal, où l'objectif est de combiner des données observationnelles et expérimentales provenant de multiples sources pour identifier un effet causal $p(y \mid do(x))$ qui n'est pas identifiable à partir d'une seule source. Bien que le calcul do (Pearl, 1995) serve d'outil polyvalent pour cette tâche, les algorithmes basés sur celui-ci (tels que Do-search) font face à des défis computationnels importants à mesure que le nombre de variables augmente et que le graphe causal devient complexe.

Les algorithmes d'identification existants pour des scénarios spécifiques (par exemple, la g-identifiabilité, la g-transportabilité) reposent souvent sur des hypothèses restrictives, telles que la disponibilité de distributions conjointes entières où l'union des variables observées et des variables sur lesquelles on intervient couvre l'ensemble des variables endogènes. En revanche, la fusion de données dans le monde réel implique souvent des distributions d'entrée partiellement chevauchantes (par exemple, une source mesure $p(x, z)$ et une autre $p(z, y)$), pour lesquelles aucun algorithme actuel ne peut déterminer l'identifiabilité sans recourir à des méthodes de recherche coûteuses en calcul.

Le défi central est que la réduction de la taille d'un graphe causal (via un prétraitement) ne préserve pas automatiquement l'identifiabilité des effets causaux. Si un graphe est modifié, il n'y a aucune garantie que les inférences faites sur le graphe modifié se transfèrent au graphe original. L'article cherche à établir des conditions rigoureuses selon lesquelles l'élagage (suppression de variables) et le regroupement (combinaison de variables) peuvent être appliqués aux problèmes de fusion de données causales sans altérer le statut de l'identifiabilité.

Méthodologie

Les auteurs proposent un cadre de prétraitement des graphes causaux dans le contexte de multiples sources de données. Ils généralisent les résultats précédents (Tikka et Karvanen, 2018 ; Tikka et al., 2023) qui étaient limités à des sources de données observationnelles uniques.

1. Élagage (Pruning)

L'élagage consiste à supprimer les variables qui sont non pertinentes pour l'identification d'un effet causal spécifique. L'article dérive trois théorèmes pour l'élagage en présence de plusieurs distributions d'entrée $I = \{p(a_i \mid do(b_i), c_i)\}$ :

• Théorème 7 (Élagage des non-ancêtres) : Les variables qui ne sont pas des ancêtres de la variable de réponse $Y$ peuvent être supprimées, à condition qu'elles ne soient pas impliquées dans les ensembles de conditionnement ou d'intervention de n'importe quelle distribution d'entrée.
• Théorème 8 (Élagage post-intervention) : Les variables qui deviennent d-séparées de $Y$ après une intervention sur $X$ peuvent être supprimées, sous réserve de conditions garantissant que la suppression n'altère pas les propriétés de d-séparation entre les membres de $X$ ou ne viole pas la structure des distributions d'entrée.
• Théorème 9 (Élagage des sommets isolés) : Les sommets connectés au reste du graphe uniquement par un seul sommet peuvent être supprimés s'ils ne font pas partie des ensembles de conditionnement ou d'intervention d'une distribution d'entrée.

2. Regroupement (Clustering)

Le regroupement remplace un ensemble de sommets $T$ par un sommet unique $\mathcal{T}$. L'article se concentre sur les clusters de transit, définis comme des ensembles de sommets où l'information circule des « récepteurs » (nœuds ayant des parents en dehors de $T$) vers les « émetteurs » (nœuds ayant des enfants en dehors de $T$) d'une manière spécifique et uniforme.

• Définition 13 (Cluster de transit) : Un ensemble $T$ est un cluster de transit si tous les récepteurs partagent les mêmes parents externes, tous les émetteurs partagent les mêmes enfants externes, et la connectivité interne garantit que chaque nœud est lié à un récepteur ou à un émetteur.
• Invariance de l'identification : L'article introduit l'Algorithme 1 (VerifyInputs) pour vérifier si une opération de regroupement préserve l'identifiabilité.
  • Théorème 17 : Si un effet causal est identifiable dans le graphe regroupé, il est identifiable dans le graphe original.
  • Théorème 18 : Si un effet causal n'est pas identifiable dans le graphe regroupé, et que VerifyInputs renvoie TRUE, alors il n'est pas identifiable dans le graphe original.
  • Théorème 19 : Un cas particulier où le regroupement est toujours invariant pour l'identification si l'ensemble des récepteurs et des émetteurs s'intersecte (c'est-à-dire qu'un nœud sert de les deux).

3. Récupération des fonctionnelles d'identification

L'article démontre que les fonctionnelles d'identification dérivées de graphes élagués ou regroupés peuvent être remappées vers le graphe original :

• Théorème 20 : Pour l'élagage, la fonctionnelle d'identification reste inchangée ($f(I) = g(I')$).
• Théorème 21 : Pour le regroupement, la fonctionnelle est obtenue en remplaçant la variable regroupée $\mathcal{T}$ par le sous-ensemble spécifique de l'original du cluster $T$ qui apparaît dans la distribution d'entrée correspondante.

Résultats Clés

1. Généralisation à des sources multiples : Les auteurs étendent avec succès les résultats d'invariance d'élagage et de regroupement des contextes à source unique au cas général de multiples sources de données partiellement chevauchantes. Cela est non trivial car les concepts standards tels que les c-composantes et les projections latentes sont mal définis lorsque les distributions entières ne sont pas disponibles.
2. Vérification Algorithmique : Le développement de VerifyInputs (Algorithme 1) fournit une méthode pratique pour déterminer quand la non-identifiabilité dans un graphe regroupé implique une non-identifiabilité dans le graphe original, une étape cruciale pour éviter les faux négatifs.
3. Efficacité Computationnelle : Une étude de simulation utilisant Do-search sur 108 933 instances montre que la stratégie de réduction (élagage + regroupement) surpasse considérablement la stratégie directe (exécution de Do-search sur le graphe original) pour les graphes plus larges.
   • Pour les graphes de 12 sommets, les économies de temps médianes dans les cas non identifiables (Configuration B) ont dépassé 12 minutes.
   • La surcharge de vérification des conditions d'élagage/regroupement est négligeable (médiane < 0,05 seconde).
   • Dans les cas où la réduction n'est pas applicable, la pénalité de temps est minimale.
4. Application Pratique : Les méthodes ont été appliquées à deux exemples réels :
   • Étude sur la mortalité infantile : Démonstration de la façon dont l'élagage réduit un graphe complexe à une taille gérable pour identifier l'effet du prix du tabac sur le tabagisme passif.
   • Étude sur l'athérosclérose (ELSA-Brasil) : Montre comment le regroupement de variables (par exemple, les facteurs socio-économiques) permet d'évaluer l'identifiabilité sans avoir besoin de structures internes détaillées des clusters, à condition que certaines conditions soient remplies.

Signification et Revendications

L'article affirme que l'élagage et le regroupement servent d'outils de prétraitement essentiels pour la fusion de données causales, particulièrement dans les scénarios avec des données partiellement chevauchantes où les algorithmes actuels de complexité polynomiale sont inapplicables.

• Efficacité : La principale signification est la réduction de la charge de calcul. En réduisant la taille du graphe avant d'appliquer des algorithmes d'identification basés sur la recherche, la méthode rend l'identification des effets causaux réalisable pour des modèles plus larges et plus complexes.
• Simplification : Les méthodes permettent une présentation plus concise des graphes causaux et des fonctionnelles d'identification plus simples.
• Planification de la collecte de données : Les auteurs notent que ces techniques peuvent guider les stratégies de collecte de données. Si une variable peut être élaguée, elle n'a pas besoin d'être mesurée. Si un cluster de transit est utilisé, seuls les « émetteurs » du cluster doivent être mesurés pour préserver l'identifiabilité.
• Contribution Théorique : Ce travail fournit des conditions suffisantes pour l'invariance de l'identification sans dépendre de concepts (c-composantes, hedges) qui nécessitent une connaissance distributionnelle complète. Cela comble un fossé entre l'inférence causale théorique et les contraintes pratiques de la fusion de données.

Les auteurs restent modestes quant à la portée de leurs travaux, notant que les résultats s'appliquent aux effets causaux marginaux et que la complétude du calcul do pour le cas général non contraint reste une question théorique ouverte. Ils soulignent que l'application de ces opérations est une décision du chercheur, équilibrant les gains de calcul face au risque de perte d'interprétabilité ou au besoin de connaissances spécifiques au domaine.