Résumé Technique : Découverte Causale à Confounding Latent via la Géométrie du Crochet de Lie

1. Énoncé du Problème

La découverte causale fait face à un goulot d'étranglement combinatoire fondamental : l'espace des graphes orientés acycliques (DAG) possibles croît de manière super-exponentielle avec le nombre de variables. Les méthodes existantes, telles que les recherches basées sur le score (ex: GES, NOTEARS) ou les approches basées sur les contraintes (ex: FCI), peinent face à cette échelle, particulièrement en présence de confusion latente (latent confounding). Les méthodes traditionnelles de variables latentes reposent souvent sur de fortes hypothèses structurelles (ex: parcimonie, linéarité ou non-gaussianité spécifique) ou nécessitent une recherche exhaustive sur les classes d'équivalence de Markov (MEC), ce qui n'offre qu'une réduction de l'ordre de grandeur de la complexité de l'espace de recherche.

L'article postule que la confusion latente n'est pas simplement un nœud manquant, mais une obstruction au transport cohérent de l'information causale entre les régimes observationnel et interventionnel. Lorsque des variables non observées existent, la variété statistique présente une courbure qui empêche les flux d'interventions locales de commuter, une propriété que les algorithmes de recherche de graphes standards ne parviennent pas à exploiter directement.

2. Cadre Théorique : Kan-Do-Calculus (KDC)

L'article s'appuie sur le Kan-Do-Calculus (KDC), qui reformule l'inférence causale à travers la théorie des catégories.

• Bi-adjonction Catégorique : La distinction entre le conditionnement passif et l'intervention active est modélisée comme une bi-adjonction :
  $$\text{Lan}_K \dashv K^* \dashv \text{Ran}_K$$
  • Extension de Kan à gauche ($\text{Lan}_K$) : Modélise l'intervention ($P(Y | \text{do}(X))$) comme un opérateur de poussée (pushforward) universel.
  • Extension de Kan à droite ($\text{Ran}_K$) : Modélise le conditionnement ($P(Y | X)$) comme un opérateur de tirage (pullback) universel.
  • Pré-composition ($K^*$) : Représente l'interface observationnelle.
• Traduction Géométrique : Lorsqu'ils sont transportés sur des variétés statistiques lisses, les dérivées de Radon–Nikodym entre les mesures observationnelles et interventionnelles induisent des champs de vecteurs causaux locaux.
• Obstruction Latente : Si le système est exempt de confusion latente, ces champs de vecteurs devraient être intégrables (leurs crochets de Lie se ferment dans l'espace visible). La confusion latente se manifeste par un résidu de crochet de Lie non nul ($[v_i, v_j] \neq 0$), représentant une courbure géométrique qui ne peut être expliquée par les variables observées.

3. Méthodologie

L'article introduit deux algorithmes : BRIDGE (un pipeline de screening modulaire) et SKFM (une méthode d'inférence géométrique de bout en bout).

3.1 BRIDGE : Résidus de Crochet pour la Découverte Interventionnelle et l'Estimation Géométrique

BRIDGE est un pipeline en deux étapes conçu pour réduire l'espace de recherche avant d'appliquer des algorithmes de score standard.

1. Estimation de la Densité Interventionnelle : Utilise un moteur de densité (ex: flux de normalisation ou gaussien régularisé) pour estimer le ratio de Radon–Nikodym $\rho_i = dP_{\text{do}(X_i)} / dP_{\text{obs}}$. Cela définit un champ de vecteurs local $v_i \approx \nabla \log \rho_i$.
2. Screening de Lie/Frobenius :
   • Calcule le crochet de Lie $[v_i, v_j] = \nabla v_j \cdot v_i - \nabla v_i \cdot v_j$ pour des paires d'interventions.
   • Scoring Asymétrique : Mesure l'influence dirigée via la réduction de la variance sous repondération.
   • Détection de Latence : Les crochets non fermants (résidus de Frobenius) sont signalés comme candidats à une obstruction latente ou un décalage de régime.
3. Réduction de la Famille de Candidats : Le screening géométrique produit un masque de haute recall des flèches admissibles, filtrant les directions incompatibles avec l'intégrabilité locale.
4. Scoring Aval : Un scoreur standard (ex: GES, TCES, BIC) opère uniquement sur la famille de DAGs ainsi amputée.

3.2 SKFM : Spectral Kan-Do Flow Matching

SKFM est un algorithme différentiable de bout en bout qui tente de récupérer le graphe directement à partir de la géométrie apprise, contournant l'étape de recherche discrète.

1. Amortissement par Flow Matching : Utilise le Conditional Flow Matching (CFM) pour apprendre un réseau de neurones unique $f_\theta$ qui paramètre les champs d'intervention pour toutes les variables simultanément, évitant ainsi $d$ modèles indépendants.
2. Factorisation Spectrale des Facteurs Latents :
   • Construit une Matrice de Gram de la Courbure Causale $G$ à partir des normes au carré des crochets de Lie.
   • Effectue une décomposition en valeurs propres pour identifier l'empreinte de courbure latente. Le rang de $G$ estime la dimensionnalité de l'espace de confusion latente.
   • Projette les champs de vecteurs sur le complément orthogonal de l'espace latent pour "éplucher" la confusion.
3. Contrainte d'Algèbre de Lie Solvable : Impose l'acyclicité via une pénalité douce sur les constantes de structure de l'algèbre de Lie, garantissant que le graphe extrait correspond à une sous-algèbre solvable (triangulaire).
4. Extraction de Graphe : Extrait directement la matrice d'adjacence à partir des scores d'influence appris et des projections spectrales, sous réserve d'un ordre topologique.

4. Résultats Clés

Les expérimentations valident le cadre à travers des jeux de données synthétiques et réels :

• Chaînes Synthétiques (Confusion Latente) :

  • Sur une chaîne de 7 nœuds avec un confounder terminal, BRIDGE a conservé les 6 vraies arêtes tout en réduisant l'ensemble des flèches candidates de 42 à 21.
  • Le scoreur TCES/BIC appliqué à cette famille amputée a atteint un F1 dirigé moyen de $\approx 0,86$ sur des DAGs aléatoires de 10 nœuds, surpassant significativement la recherche directe.
  • SKFM a réussi à récupérer des structures de chaînes exactes lorsque l'ordre topologique réel était fourni, contournant ainsi l'énumération combinatoire du scoreur.

• Motifs Non-Chaîne (Diamant, Collider/Fourche) :

  • Les masques d'influence standards ont échoué à conserver toutes les vraies arêtes dans les motifs complexes.
  • Sauvetage par Courbure Spectrale : L'utilisation de la décomposition spectrale du spectre de Lie pour identifier les empreintes latentes a restauré un rappel parfait pour les motifs Diamant et Collider/Fourche.
  • Calibration SKFM : En utilisant la régularisation de continuité et le scoring par gradient de contamination, SKFM a obtenu une récupération exacte sur ces motifs, bien qu'il soit resté instable sur les DAGs aléatoires généraux sans un scoreur aval.

• Benchmarks du Monde Réel :

  • Signalisation Protéique Sachs : Le screening géométrique a réduit l'espace de recherche de 60 % tout en préservant presque toute la structure sélectionnée par le GES groupé. Cependant, la méthode a identifié une "frontière de calibration" : les corrélations de continuité sur les données réelles (0,587) étaient nettement inférieures aux régimes synthétiques, menant à une précision élevée mais un rappel faible. L'article traite cela comme un diagnostic de non-stationnarité des données plutôt que comme un échec de la méthode.
  • Expression Génique S9 : Sur un panel de 9 gènes sans vérité de terrain (gold standard), le screening géométrique a compressé la famille de DAGs étiquetés d'environ $10^{15}$ à $\approx 1,2 \times 10^5$ candidats acycliques, démontrant la tractabilité à l'échelle réelle.
  • PISA 2022 : Appliquée aux variables de tendance de l'OCDE, la méthode a produit un graphe compact cohérent avec les affirmations causales de base, servant de diagnostic de découverte uniquement.

5. Signification et Revendications

L'article revendique les contributions suivantes :

1. Recadrage Géométrique de la Latence : Il établit que la confusion latente est une obstruction géométrique irréductible (crochet de Lie non nul) plutôt qu'un simple nœud manquant. Cela permet de détecter des structures cachées sans supposer la parcimonie ou des formes paramétriques spécifiques.
2. Compression de l'Espace de Recherche : La principale contribution pratique est le pipeline BRIDGE, qui utilise la géométrie locale de Lie/Frobenius pour amputer la famille d'arêtes admissibles avant le scoring. Cela transforme un problème de recherche super-exponentiel en une optimisation contrainte tractable, atteignant un haut rappel des vraies arêtes tout en réduisant l'espace de recherche de plusieurs ordres de grandeur (ex: compression de $10^4\times$ à $10^9\times$).
3. Inférence Géométrique de Bout en Bout : SKFM démontre que, sous certaines conditions (chaînes ordonnées, champs calibrés), la découverte causale peut être effectuée directement dans l'espace du champ d'algèbre de Lie appris, récupérant les dimensions latentes et la structure du graphe sans énumération combinatoire.
4. Cohérence Catégorique : Ce travail fournit un prisme théorique unifié où les interventions, le conditionnement et les contrefactuels (formalisés comme transport parallèle et holonomie) sont cohérents avec la bi-adjonction Kan-Do.

Limites et Modestie :
L'article est modeste quant à ses revendications sur la récupération de graphes généraux. Il stipule explicitement que l'extraction directe par SKFM est instable pour les DAGs aléatoires généraux non ordonnés sans un scoreur aval. L'heuristique d'extraction de graphe "Étape 9" reste un goulot d'étranglement pour les motifs non-chaîne. De plus, sur les données biologiques réelles (Sachs), la méthode identifie une frontière de calibration où les corrélations de continuité chutent, suggérant que si le screening géométrique est robuste, la récupération complète de graphes biologiques complexes nécessite une meilleure gestion du décalage de régime et des boucles de rétroaction. Les garanties théoriques (Propositions 5.1, 7.1, 7.2) sont asymptotiques et reposent sur des hypothèses de régularité, de marge et d'écart spectral (eigen-gap).

En résumé, l'article propose un pipeline de screening géométrique pratique qui réduit efficacement l'espace de recherche de la découverte causale et fournit un compte rendu calibré de la faisabilité de l'extraction directe dans l'espace de Lie par rapport à la nécessité d'un scoreur aval.