Résumé Technique : Des Tokens à la Politique : Identification des Effets de Traitement Hétérogènes Causaux et Interprétables

1. Énoncé du Problème

L'identification de l'effet de traitement hétérogène (HTE - Heterogeneous Treatment Effect) est essentielle pour optimiser les interventions, pourtant les approches existantes font face à un compromis fondamental entre expressivité et interprétabilité. Les méthodes traditionnelles modélisent soit les effets de traitement de manière flexible sans identifier les moteurs primitifs (manquant d'interprétabilité), soit identifient des sous-groupes interprétables sur des covariables structurées et sélectionnées (manquant d'expressivité et pouvant manquer des moteurs non mesurés).

Une lacune critique existe dans l'interprétation causale. L'HTE est expliqué causalement par des modificateurs d'effets directs (interacteurs) qui interagissent avec le traitement. Cependant, les variables observées incluent souvent :

• Modificateurs indirects : Ancêtres des modificateurs directs opérant via une médiation.
• Modificateurs de substitution (Proxies) : Descendants des modificateurs directs.
• Modificateurs de causes communes : Variables partageant un ancêtre commun avec les modificateurs directs.

L'estimation naïve sur ces substituts peut produire des caractérisations fallacieuses qui échouent à se généraliser sous de nouveaux régimes de politiques. De plus, dans les régimes de données modernes impliquant des données multimodales et non structurées (par exemple, imagerie satellite, flux de capteurs), les modificateurs directs sont rarement mesurés directement, mais sont enchevêtrés dans des représentations pré-traitement complexes et de haute dimension. Le défi consiste à identifier l'ensemble minimal, suffisant et causal de modificateurs directs à partir de ces représentations de haute dimension et enchevêtrées, sans dépendre d'une annotation humaine prohibitive.

2. Méthodologie : Neural EXposure Interaction Search (NEXIS)

Les auteurs proposent NEXIS, une procédure itérative qui reformule l'identification de l'HTE comme un problème de découverte de la couverture de Markov (Markov-blanket discovery) sur une représentation pré-traitement apprise, suffisante et alignée.

2.1 Cadre Théorique

La méthode repose sur trois hypothèses fondamentales pour assurer l'identifiabilité causale :

1. Suffisance de la Mesure : Les variables pré-traitement mesurées $X$ (par exemple, données d'enquête + imagerie satellite) enchevêtrent toute l'information de l'effet de traitement hétérogène.
2. Suffisance de la Représentation : Une représentation apprise $Z$ (dérivée de $X$) préserve toute l'information HTE.
3. Alignement Principal : Chaque modificateur d'effet direct latent $W_{dir, k}$ est résumé par une coordonnée distincte et dominante $Z_{j_k}$ dans l'espace de représentation, sans signal résiduel dispersé à travers d'autres coordonnées.

Sous ces hypothes, l'ensemble des coordonnées de substitution principales $S^*$ forme une couverture de Markov pour l'Effet Moyen de Traitement Conditionnel (CATE). Identifier $S^*$ permet de récupérer l'effet d'intervention causal $\tau_{do}(W_{dir})$.

2.2 L'Algorithme

NEXIS fonctionne comme une procédure de sélection progressive-régressive (forward-backward) sur un dictionnaire de coordonnées de représentation (par exemple, des caractéristiques d'auto-encodeurs creux/sparse autoencoders) :

• Étape Progressive (Forward Step) : Sélectionne la coordonnée $j$ qui porte le signal d'hétérogénéité résiduelle le plus fort conditionnellement à l'ensemble actuellement sélectionné $S$. Cela est déterminé via un test d'équivalence CATE ($H_0: E[\tau | Z_{S \cup \{j\}}] = E[\tau | Z_S]$).
• Étape Régressive (Backward Step) : Re-teste toutes les coordonnées actuellement dans $S$. Si une coordonnée devient redondante étant donné le reste de l'ensemble (c'est-à-dire que l'hypothèse nulle ne peut être rejetée), elle est supprimée.
• Terminaison : Le processus se répète jusqu'à ce que l'ensemble sélectionné se stabilise.
• Contrôle de l'Erreur : La procédure utilise la correction de Bonferroni (ou FDR) pour contrôler le taux d'erreur de la famille (FWER), garantissant la récupération de haute probabilité du véritable ensemble $S^*$.

2.3 Détails de Mise en Œuvre

• Apprentissage de Représentation : Les auteurs utilisent des Auto-encodeurs Creux (SAEs) entraînés sur des encodeurs de modèles de fondation gelés (par exemple, SigLIP pour les images, Prithvi-EO pour les données géospatiales). Cela crée un dictionnaire de caractéristiques interprétables et creuses.
• Interprétation : Les caractéristiques sélectionnées sont étiquetées a posteriori à l'aide de Modèles de Langage-Vision (VLMs) en contrastant les entrées les plus actives avec des entrées aléatoires.
• Tests Statistiques : L'implémentation par défaut utilise un test d'interaction linéaire avec le traitement, bien que des variantes de la Mesure de Covariance Généralisée (GCM) doublement robustes soient disponibles pour les contextes non linéaires.

3. Principales Contributions

1. Caractérisation Causale de l'HTE : L'article introduit la première procédure pour identifier une caractérisation de l'HTE causale et interprétable à partir d'observations complexes et non structurées. Il dépasse les prédictions ponctuelles pour identifier les "moteurs primitifs" (modificateurs directs) de l'hétérogénéité.
2. Algorithme NEXIS : Un algorithme de sélection progressive-régressive principled avec des garanties de récupération prouvables. Les auteurs prouvent que sous l'Alignement Principal et la fidélité de la moyenne (mean-faithfulness), NEXIS récupère systématiquement l'ensemble des proxies principaux $S^*$ avec une haute probabilité.
3. Paradoxe de la Puissance Expérimentale : Les auteurs identifient et démontrent un mode de défaillance structurelle dans le criblage marginal : à mesure que la taille de l'échantillon ou l'ampleur de l'effet augmente, les tests marginaux accumulent des modificateurs non directs (fausses découvertes), provoquant l'effondrement de la précision. NEXIS atténue cela via un raisonnement conditionnel.
4. Déploiement en Conditions Réelles : La méthode est déployée sur deux programmes de lutte contre la pauvreté en Afrique, augmentant les données d'enquête standard par l'imagerie satellite pour découvrir des modificateurs d'effets environnementaux auparavant invisibles pour les décideurs politiques.

4. Résultats

4.1 Validation Semi-Synthétique (CelebA)

En utilisant un benchmark basé sur le jeu de données CelebA avec des modificateurs directs de vérité terrain connus (porter un chapeau, porter des lunettes) :

• Précision vs Rappel : Alors que les méthodes de criblage marginal atteignent un rappel élevé, leur précision s'effondre à mesure que la taille de l'échantillon ou l'ampleur de l'effet augmente (le "Paradoxe de la Puissance Expérimentale"). NEXIS maintient à la fois un rappel et une précision élevés, récupérant systématiquement le véritable ensemble $S^*$.
• Ablations : La méthode est robuste aux variations de la parcimonie des SAE, des vues de caractéristiques (creuses vs denses) et des choix de tests statistiques (linéaires vs GCM).

4.2 Application 1 : Programme d'Opportunités pour la Jeunesse (Ouganda)

• Contexte : Un programme de subventions en espèces pour les groupes de jeunes dans le nord de l'Ouganda post-conflit.
• Résultats : NEXIS a identifié que les données démographiques individuelles (âge, sexe) étaient invariantes par rapport à l'impact du programme. Au lieu de cela, l'hétérogénéité de l'impact était pilotée par :
  • Groupes ethnolinguistiques : Reflétant la connectivité des marchés post-conflit (par exemple, les zones affectées par le conflit présentaient des effets atténués).
  • Facteurs environnementaux : La présence de rivières pérennes et l'hétérogénéité spatiale de la végétation réduisaient l'impact du programme, probablement en fournissant des options de subsistance alternatives (pêche, subsistance de brousse) qui réduisaient l'incitation à l'adoption de métiers qualifiés.
• Comparaison : Le criblage marginal sur les mêmes données a produit des dizaines de "découvertes" fallacieuses, tandis que NEXIS a isolé un ensemble parcimonieux de modificateurs conditionnellement indépendants.

4.3 Application 2 : Programme LEAP 1000 (Ghana)

• Contexte : Un programme de transferts monétaires pour les ménages avec nouveau-nés dans le nord du Ghana.
• Résultats : Aucun modificateur démographique n'a été trouvé. L'hétérogénéité de l'impact était pilotée par :
  • Cours d'eau éphémères : Les ménages proches de cours d'eau saisonniers ont vu des effets 6 à 8 fois plus grands que la moyenne. Le mécanisme supposé est la complémentarité entre le cash et les capacités d'irrigation saisonnière.
  • Forêts à canopée fermée : Les ménages proches de zones forestières ont également vu des effets amplifiés, probablement en raison de la capacité à superposer le cash aux stratégies de subsistance existantes basées sur les produits forestiers non ligneux.
• Validation : Une analyse temporelle de l'imagerie satellite a confirmé que l'utilisation des terres agricoles s'est étendue près des cours d'eau après l'intervention, soutenant l'hypothèse de la complémentarité.

5. Signification et Revendications

L'article revendique un changement de paradigme, passant de l'estimation statique de l'HTE sur des données d'enquête à l'exploration extensive à travers des modalités non structurées. En exploitant l'apprentissage de représentation moderne (SAEs sur des modèles de fondation) et la découverte causale rigoureuse (identification de la couverture de Markov), les auteurs soutiennent que l'identification de caractérisations HTE causales et interprétables est désormais "à portée de main".

La signification réside dans la traduction de mesures brutes et complexes (tokens) directement en directives de politiques prescriptives. Les auteurs démontrent que l'intégration de sources de données externes (imagerie satellite) peut révéler des modificateurs d'effets environnementaux que les enquêtes standards manquent, offrant des explications concrètes et nouvelles sur les raisons pour lesquelles les interventions réussissent ou échouent dans des contextes spécifiques.

Modestie et Limites :
Les auteurs déclarent explicitement que leurs garanties causales reposent sur des hypothèses (Suffisance de la Mesure, Alignement Principal, Validité du Test) qui ne peuvent être pleinement vérifiées sans expériences auxiliaires. Par conséquent, ils présentent leurs découvertes dans le monde réel comme des "hypothèses sérieuses candidates" destinées à guider les futures itérations des programmes plutôt que comme des faits causaux établis. Ils reconnaissent les limites concernant les corrections statistiques multiniveaux et la granularité des mesures environnementales (niveau communauté vs niveau GPS individuel).