I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables

Cet article propose I-CAM-UV, une méthode innovante qui intègre des graphes causaux issus de multiples jeux de données aux variables non identiques en exploitant les modèles additifs causaux avec variables non observées pour surmonter les limitations des approches existantes face aux facteurs de confusion cachés.

L'essentiel

🕵️‍♂️ Le Grand Détective : I-CAM-UV

Imaginez que vous essayez de résoudre un mystère : qui influence qui ? Dans le monde réel (la météo, la santé, l'économie), les choses sont liées. Si vous mangez trop de sucre, vous avez peut-être plus d'énergie, mais est-ce la cause ou l'effet ? C'est ce qu'on appelle la découverte causale.

Le problème, c'est que nous n'avons souvent pas de laboratoire parfait pour tester cela. Nous devons observer la nature telle qu'elle est, avec des données imparfaites.

🧩 Le Problème : Des Puzzles Incomplets

Imaginez que vous avez plusieurs équipes de détectives, chacune travaillant sur une partie différente du même mystère, mais avec des outils différents :

• L'équipe A observe les variables : Pluie, Sol humide, Herbe verte.
• L'équipe B observe : Sol humide, Champignons, Ombre.
• L'équipe C observe : Ombre, Pluie, Sol humide.

Chaque équipe a une vue partielle. De plus, il y a des éléments cachés (comme un tuyau d'arrosage caché ou un nuage invisible) que personne ne voit, mais qui influencent tout le monde.

Si chaque équipe dessine son propre schéma de liens et que vous essayez simplement de les superposer (comme empiler des calques de papier), vous obtenez un gros gribouillis. Vous ne savez pas si le lien entre "Pluie" et "Champignons" est réel, ou si c'est juste parce qu'ils ont tous deux vu "Sol humide". Et pire, vous ne savez rien sur les liens entre les choses que personne n'a observées ensemble.

💡 La Solution : I-CAM-UV (Le Super-Assembleur)

Les auteurs de ce papier, Hirofumi Suzuki et son équipe, ont créé une nouvelle méthode appelée I-CAM-UV. Voici comment cela fonctionne avec une analogie simple :

1. La Carte des "Suspects Cachés" (CAM-UV)
Au lieu de dire "Je ne vois pas ce lien", la méthode utilise une intelligence artificielle spéciale qui dit : "Je ne vois pas le lien direct, mais je sens qu'il y a un 'fantôme' (une variable cachée) qui relie ces deux points."
C'est comme si chaque équipe de détectives ne dessinait pas seulement les liens visibles, mais laissait aussi des post-it sur le mur disant : "Attention ! Il y a un lien caché ici, ou un coupable invisible qui agit sur ces deux personnes."

2. L'Enquête Globale (L'Intégration)
I-CAM-UV prend tous ces dessins partiels et tous ces "post-it" (les indices sur les variables cachées) et les met dans une grande salle de réunion.
Son but est de construire un seul grand schéma (un graphe) qui respecte toutes les règles de toutes les équipes.

3. Le Jeu du "Et si ?" (L'Algorithme)
Comme il y a plusieurs façons de relier les points cachés, la méthode ne donne pas une seule réponse, mais une liste de scénarios possibles.
Imaginez un jeu de "Choisissez votre propre aventure". L'algorithme dit :

• Scénario A : Si le lien caché va de gauche à droite, alors tout le monde est d'accord.
• Scénario B : Si le lien va de droite à gauche, ça marche aussi.
• Scénario C : Si le lien n'existe pas du tout, ça crée une contradiction.

L'algorithme explore intelligemment ces scénarios (comme un chercheur de trésor qui suit les pistes les plus prometteuses en premier) pour trouver tous les schémas qui sont cohérents avec les indices de toutes les équipes.

🌟 Pourquoi c'est génial ?

• Il voit l'invisible : Même si deux variables n'ont jamais été observées ensemble dans les mêmes données, I-CAM-UV peut deviner leur relation en utilisant les indices des autres équipes. C'est comme déduire que le "Tuyau d'arrosage" existe parce que l'herbe est humide même sans pluie.
• Il gère les erreurs : Parfois, les données sont bruitées. La méthode est assez robuste pour dire : "Voici les 5 meilleurs scénarios probables, même si aucun n'est parfait."
• C'est rapide (relativement) : Au lieu de tester des milliards de combinaisons au hasard, elle utilise une astuce mathématique pour éliminer rapidement les scénarios qui ne fonctionnent pas, comme un détective qui sait immédiatement qu'un suspect ne peut pas être le coupable car il avait un alibi.

🎯 En résumé

Imaginez que vous essayez de reconstruire un château de cartes géant, mais vous n'avez que des morceaux de cartes de différentes tailles et des photos floues de certaines parties.

• Les anciennes méthodes disaient : "Je ne peux pas relier ces deux pièces, je les laisse de côté."
• I-CAM-UV dit : "Attendez, si on regarde les indices cachés sur les autres pièces, on peut deviner comment celles-ci s'assemblent. Voici toutes les façons possibles de reconstruire le château qui respectent toutes nos photos."

C'est un outil puissant pour les scientifiques qui veulent comprendre le monde complexe où tout est lié, même quand ils ne peuvent pas tout voir directement.

Résumé technique

1. Problématique

La découverte causale à partir de données observationnelles est fondamentale, mais les méthodes existantes souffrent de deux limitations majeures lorsqu'elles sont appliquées à des scénarios réels complexes :

1. Ensemble de variables non identiques : Dans la pratique, on dispose souvent de plusieurs jeux de données mesurant des ensembles de variables différents (certaines variables sont observées dans un jeu de données mais pas dans un autre). Les approches classiques, conçues pour un seul jeu de données, ne peuvent pas facilement intégrer ces informations.
2. Variables non observées (Confounders cachés) : La plupart des méthodes supposent l'absence de confondants non observés. Cependant, dans les systèmes réels, des variables latentes peuvent fausser les relations causales. De plus, si une paire de variables n'est jamais observée simultanément dans aucun jeu de données, leur relation causale directe ne peut pas être estimée par des méthodes standard.

L'approche naïve consistant à estimer un graphe causal pour chaque jeu de données et à les superposer (overlap) échoue car elle ignore les chemins causaux ouverts par les variables non observées et laisse de nombreuses relations indéterminées.

2. Méthodologie : I-CAM-UV

Les auteurs proposent I-CAM-UV (Integrating CAM-UV), une méthode qui intègre les résultats de plusieurs jeux de données en exploitant le modèle CAM-UV (Causal Additive Model with Unobserved Variables).

A. Fondements Théoriques

• CAM-UV : Contrairement au modèle CAM standard, CAM-UV permet la présence de variables non observées ($U$). Il modélise les relations causales sous forme de modèles additifs non linéaires et détecte deux types de chemins cachés :
  • UCP (Unobserved Causal Path) : Un chemin causal passant par une variable non observée ($v_i \to \dots \to u \to \dots \to v_j$).
  • UBP (Unobserved Backdoor Path) : Un chemin de confusion ouvert par une variable non observée ($v_i \leftarrow \dots \leftarrow u \to \dots \to v_j$).
• Représentation : Pour chaque jeu de données $k$, CAM-UV produit un graphe mixte $G_k = (V_k, A_k, N_k)$, où $N_k$ contient des arêtes non dirigées indiquant que la relation entre deux variables n'est pas identifiée en raison d'un UCP ou d'un UBP.

B. Le Problème d'Intégration

L'objectif est de reconstruire un graphe causal complet (DAG) sur l'ensemble unifié des variables $\hat{V} = \bigcup V_k$.

• Les relations identifiées dans les graphes $G_k$ sont conservées.
• Le défi réside dans les paires de variables non observées simultanément ($E_{uno}$) et les paires marquées comme non identifiées ($E_{imp}$).
• Consistance : Un DAG candidat est dit "cohérent" s'il respecte les contraintes de présence ou d'absence de chemins UCP/UBP déduits de chaque jeu de données individuel.

C. Algorithme de Recherche

Le problème est formulé comme l'énumération de tous les DAGs cohérents. Étant donné que l'espace de recherche est exponentiel ($3^{|E|}$ où $E$ est l'ensemble des arêtes à orienter ou exclure), les auteurs proposent un algorithme de recherche efficace :

1. Recherche "Best-First" : L'algorithme explore les graphes candidats par ordre croissant d'un coût d'incohérence ($C(\tilde{G})$). Ce coût compte le nombre de paires de variables dont la relation (présence/absence de UCP/UBP) contredit les résultats CAM-UV.
2. Monotonie : Ils démontrent que le coût d'incohérence est monotone : ajouter des arêtes à un graphe ne diminue pas le coût d'incohérence. Cela permet d'élaguer l'espace de recherche.
3. Heuristique : L'algorithme utilise une file de priorité (tas) pour explorer d'abord les graphes ayant le coût d'incohérence le plus bas, s'arrêtant lorsque le coût dépasse un seuil tolérable défini par l'utilisateur ($b$).
4. Détection de chemins : Des algorithmes de parcours en largeur (BFS) en temps polynomial sont utilisés pour vérifier l'existence de chemins UCP et UBP lors de l'évaluation du coût.

3. Contributions Clés

1. Proposition de I-CAM-UV : Une nouvelle approche pour intégrer des résultats de découverte causale provenant de multiples jeux de données avec des ensembles de variables non identiques, tout en gérant explicitement les variables non observées.
2. Théorème de Consistance : Démonstration que le graphe causal réel (ground truth) est cohérent avec les informations fournies par CAM-UV sur chaque sous-ensemble de données (dans des conditions idéales sans erreur d'estimation).
3. Algorithme Efficace : Développement d'un algorithme de recherche combinatoire basé sur une stratégie "best-first" exploitant la monotonie du coût d'incohérence, permettant d'énumérer les DAGs cohérents de manière efficace.
4. Capacité de Révélation : La méthode permet d'orienter des paires de variables qui n'ont jamais été observées simultanément dans aucun jeu de données, en inférant leur relation à travers la cohérence structurelle globale.

4. Résultats Expérimentaux

Les auteurs ont évalué I-CAM-UV sur 100 jeux de données synthétiques générés selon le modèle CAM avec des variables non observées, en comparant avec des méthodes de base (superposition simple de CAM-UV, PC, imputation, CD-MiNi).

• Rappel (Recall) : I-CAM-UV surpasse toutes les méthodes concurrentes, tant pour les paires de variables observées que pour les paires non observées. Il réussit à récupérer des relations causales manquées par l'analyse directe.
• Précision et F1-Score : Bien que le rappel soit supérieur, la précision diminue légèrement par rapport à la superposition simple (CAM-UV-OVL), entraînant un score F1 global similaire. Cela indique que la méthode découvre plus de vraies relations mais introduit un nombre similaire de fausses découvertes.
• Distribution des DAGs : L'algorithme peut énumérer un grand nombre de DAGs cohérents. Cependant, la distribution de leur précision forme un seul cluster, signifiant que la plupart des DAGs énumérés ont une qualité similaire. Un échantillonnage aléatoire parmi les DAGs sortants suffit souvent pour obtenir un résultat fiable.
• Temps de Calcul : Le processus d'énumération est rapide pour des graphes de petite taille (10 variables). Bien que la complexité soit exponentielle dans le pire des cas, la stratégie heuristique rend la méthode praticable pour des ensembles de variables $E$ (paires à orienter) restreints.

5. Signification et Limites

Signification :
Ce travail comble un vide important dans la découverte causale en permettant l'exploitation de données hétérogènes (variables différentes) tout en étant robuste face aux confondants cachés. Il offre une alternative aux graphes d'ancêtre partiels (PAGs) en fournissant un ensemble explicite de DAGs complets, facilitant ainsi l'interprétation et la prise de décision.

Limites :

1. Dépendance à CAM-UV : La précision de I-CAM-UV dépend intrinsèquement de la qualité des résultats initiaux de CAM-UV. Si CAM-UV fait des erreurs d'estimation majeures, l'intégration peut échouer.
2. Complexité de sortie : La génération d'un grand nombre de DAGs peut rendre l'analyse humaine difficile, nécessitant des méthodes de compression ou de sélection.
3. Généralisation : L'algorithme est spécifiquement conçu pour le cadre CAM-UV. L'extension à d'autres modèles causaux (comme RCD) n'est pas triviale.

En conclusion, I-CAM-UV représente une avancée significative pour l'analyse causale intégrée dans des contextes de données fragmentées et imparfaites, offrant un cadre rigoureux pour inférer des relations causales au-delà des limites des observations directes.