📈 economics

Interventional Score Geometry for Causal Inference

Cet article propose un cadre géométrique pour l'inférence causale qui étend la géométrie des scores observationnels aux contextes interventionnels en définissant l'influence causale par la variation des champs de scores interventionnels marginaux, établissant ainsi un dictionnaire géométrique pour les essais randomisés et les variables instrumentales tout en clarifiant les limites de l'identification basée sur les scores au sein de l'Échelle de la Causalité de Pearl.

Auteurs originaux : Mojtaba Eslami

Publié 2026-07-27

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mojtaba Eslami

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

La Carte vs Le Film

Imaginez que vous êtes un détective essayant de comprendre qui a poussé qui dans une pièce bondée. Vous avez une photo haute résolution de la scène. Sur la photo, la personne A se tient juste à côté de la personne B, et toutes deux semblent penchées vers l'avant. Sur la base de ce cliché unique, vous pouvez dire : « A et B sont proches l'un de l'autre », mais vous ne pouvez pas dire qui a poussé qui. Peut-être que A a poussé B, peut-être que B a poussé A, ou peut-être qu'une troisième personne a poussé les deux en même temps. Dans le monde de la science des données, ce cliché est appelé une distribution observationnelle. C'est juste une image de ce qui a tendance à se produire ensemble.

Pendant des décennies, les scientifiques ont tenté d'utiliser des mathématiques sophistiquées pour transformer cette photo statique en un film, espérant voir l'action se dérouler et identifier la cause et l'effet. Ils ont construit de magnifiques cartes mathématiques appelées géométrie de l'information, qui traitent les données comme un paysage avec des collines et des vallées. L'idée était que si l'on étudiait attentivement la forme du paysage, la « poussée » (la cause) se révélerait d'elle-même. Mais il y a un piège : une photo d'une rivière ne vous dit pas dans quel sens l'eau coule ; elle montre simplement où se trouve l'eau. Pour connaître la direction, il faut voir ce qui se passe quand on y jette une pierre. Ce document traite de la prise de conscience que l'on ne peut pas comprendre le flux simplement en contemplant l'eau ; il faut réellement jeter la pierre.

La Grande Idée du Document : Pourquoi la Photo Ne Suffit Pas

Ce document, intitulé Interventional Score Geometry for Causal Inference, soutient que regarder les données seules revient à essayer de comprendre un instrument de musique en écoutant seulement le son qu'il produit lorsqu'on n'y touche pas. Les auteurs, dirigés par Mojtaba Eslami, montrent que la « forme » des données (la géométrie observationnelle) est exactement la même, que la musique soit produite par un violon ou un violoncelle. Si deux histoires différentes (modèles causaux) créent exactement le même motif de données, elles paraîtront identiques sur n'importe quelle carte construite uniquement à partir de ces données.

Le document prouve que l'on ne peut pas extraire magiquement la « cause » de l'« effet » simplement en appliquant des mathématiques plus complexes aux mêmes chiffres d'origine. C'est comme essayer de déterminer si une rivière coule vers le nord ou vers le sud en regardant seulement une photo fixe de l'eau ; la photo est la même dans les deux cas. Pour connaître la direction, il faut intervenir. Il faut intervenir et changer quelque chose.

L'Intervention « Forte » : Brider une Corde

Les auteurs introduisent une nouvelle façon de penser le changement, qu'ils appellent une intervention forte (hard intervention). Imaginez une guitare dotée de six cordes. Si vous pincez les cordes, elles vibrent et produisent un accord. Ce sont les données observationnelles. Maintenant, imaginez que vous preniez un serre-joint et que vous mainteniez la corde « La » complètement immobile à une note spécifique. Vous n'avez pas seulement changé le volume de cette corde ; vous l'avez retirée du jeu. La corde ne peut plus vibrer, et les autres cordes peuvent changer leur sonorité parce qu'elles n'interagissent plus avec elle.

Dans les mathématiques du document, ce « bridage » est appelé do( $X_k = \xi$ ). Cela signifie que vous forcez une variable (comme un dosage de médicament ou une température) à être un nombre spécifique, $\xi$ , quel que soit ce qu'elle aurait voulu être auparavant. Le document montre que lorsque vous faites cela, les mathématiques changent complètement. Vous ne pouvez plus utiliser l'ancienne carte car le paysage a été aplati. Le « score » (une flèche mathématique qui pointe vers l'endroit où les données sont les plus probables) vit désormais sur un espace de dimension inférieure, comme un dessin en 2D d'un objet en 3D.

Le Nouvel Outil : Le « Score » du Changement

Le document construit un nouveau dictionnaire pour comprendre ces changements. Au lieu de simplement regarder la photo statique, ils regardent comment le « score » (la direction des données) change lorsque vous tournez le bouton d'intervention.

Ils définissent l'influence causale simplement : si vous changez le réglage de $X$ et que le comportement de $Y$ change, alors $X$ cause $Y$ . Mais ils vont plus loin. Ils montrent que vous pouvez détecter cette cause en observant une dérivée spécifique (un taux de variation) des nouvelles données bridées. Si ce « score interventionnel » est nul, il n'y a pas de lien causal. S'il n'est pas nul, il y a un lien.

Pour prouver que cela fonctionne, ils utilisent un exemple simple avec deux variables, $X$ et $Y$ , qui ressemblent à une courbe en cloche standard (une distribution gaussienne). Ils créent deux histoires différentes :

Histoire A : $X$ cause $Y$ .
Histoire B : $Y$ cause $X$ .

Les deux histoires produisent exactement la même photo (la même distribution de données). Si vous ne regardez que la photo, vous ne pouvez pas les distinguer. Mais lorsque les auteurs appliquent leur nouvelle mathématique de « bridage », les résultats sont totalement différents. Dans l'histoire A, brider $X$ modifie le score de $Y$ . Dans l'histoire B, brider $X$ n'a absolument aucun effet sur le score de $Y$ . Les mathématiques séparent avec succès les deux histoires, mais seulement parce qu'elles ont forcé un changement. La photo seule n'aurait jamais pu les distinguer.

Ce que Cela Écarte

Le document est très clair sur ce qu'il ne fait pas. Il écarte explicitement l'idée que l'on puisse simplement prendre une liste de changements « autorisés » (comme « nous pouvons changer le prix d'un produit ») et projeter les anciennes données sur cette liste pour trouver la réponse. Ils prouvent que même si vous savez exactement quels leviers vous pouvez actionner, les anciennes données ne contiennent pas la réponse à ce qui se passe lorsque vous les actionnez. Vous avez besoin d'informations supplémentaires — une connaissance structurelle ou des données expérimentales — pour combler ce fossé.

Ils mettent également en garde contre une confusion courante dans le domaine de l'apprentissage automatique. Il existe d'autres méthodes appelées modèles « basés sur le score » (comme ceux utilisés pour générer des images factices) qui tentent d'apprendre la forme des données. Le document précise que ces modèles sont excellents pour apprendre la photo, mais qu'ils ne peuvent pas apprendre le film (la structure causale) simplement en devenant meilleurs dans l'apprentissage de la photo. Peu importe la perfection du générateur d'images, il ne pourra toujours pas vous dire ce qui se passe si vous appuyez sur le bouton, à moins que vous ne lui donniez réellement des données de lorsqu'on a appuyé sur le bouton.

La « Métrique Causale » : Mesurer la Poussée

Enfin, les auteurs créent une nouvelle façon de mesurer la sensibilité d'un système à une poussée. Ils appellent cela une métrique causale. Pensez-y comme à la mesure de l'étirement d'un ressort lorsque vous tirez dessus. Si vous tirez un tout petit peu et qu'il s'étire beaucoup, le ressort est très sensible. Si l'étirement est minime, il est rigide.

Le document montre que vous pouvez mesurer cette sensibilité en utilisant un outil statistique standard appelé information de Fisher, mais vous devez faire attention à la mesurer sur la bonne « tranche » des données (la partie qui n'a pas été bridée). Ils montrent que pour des cas simples, comme le glissement d'une distribution le long d'une ligne, cette métrique est simplement un nombre constant qui indique la « netteté » des données. Cela aide les chercheurs à savoir quelle quantité de données ils doivent collecter pour observer un effet réel. Si la métrique est petite, vous avez besoin d'une énorme quantité de données pour voir le changement. Si elle est grande, une petite expérience montrera clairement le résultat.

L'Essentiel

Ce document ne nous donne pas une baguette magique pour trouver des causes dans n'importe quel ensemble de données. Au lieu de cela, il nous fournit un vocabulaire précis et un ensemble de règles pour comprendre ce que nous pouvons et ne pouvons pas savoir. Il confirme que la causalité réside dans les scénarios du « et si » (les interventions), et non dans les scénarios du « ce qui est » (les observations).

Les auteurs précisent avec prudence qu'ils n'ont pas tout résolu. Ils n'ont pas découvert comment prédire ce qui serait arrivé à une personne spécifique si elle avait pris un chemin différent (l'échelon des « contrefactuels »). Ils ont seulement construit un pont solide entre le « ce qui est » et le « ce qui se passe si on le change ». Ils ont montré que pour comprendre le flux de la rivière, il faut arrêter de contempler l'eau et commencer à jeter des pierres.

Résumé technique : Géométrie du score intervisionnel pour l'inférence causale

Énoncé du problème
L'article traite d'une limitation fondamentale de l'inférence causale : l'incapacité d'identifier la direction causale ou les effets causaux uniquement à partir de la densité jointe observationnelle $p(x)$ des variables observées $X$ . L'auteur soutient que la « géométrie observationnelle » — construite à partir du support $M$ , d'une métrique de fond $g$ et du champ de score $\psi(x) = \nabla_x \log p(x)$ — est entièrement déterminée par $p(x)$ . Par conséquent, deux modèles structurels causaux (MSC) distincts qui génèrent la même distribution de forme réduite $p(x)$ induisent des géométries observationnelles identiques. Cela reflète le problème classique de la non-identification où des structures causales distinctes (par exemple, $X \to Y$ vs $Y \to X$ ) peuvent être observationnellement équivalentes. L'article pose que l'asymétrie causale ne peut pas être dérivée de $p(x)$ seul, mais doit être fournie via une intervention explicite.

Méthodologie et cadre
L'article développe un cadre géométrique qui distingue les états observationnels des états interventionnels, s'alignant sur l'« échelle de la causalité » de Pearl.

Définition du score interventionnel :
L'innovation technique centrale est la définition d'un score interventionnel. Une intervention forte $do(X_k = \xi)$ fixe une coordonnée $X_k$ à une valeur $\xi$ , faisant s'effondrer la densité jointe sur une sous-variété de dimension $(d-1)$ $\{x_k = \xi\}$ . Comme la distribution résultante n'a pas de densité par rapport au volume $d$ -dimensionnel d'origine, un gradient naïf est mal défini.
- Définition 1 : Le score interventionnel $\psi^{(k, \xi)}_{-k}$ est défini strictement sur les coordonnées restantes non-intervenues $X_{-k}$ . Il s'agit du gradient du log-densité de la distribution interventionnelle marginale $p^{(k, \xi)}_{-k}(x_{-k})$ .
Influence causale et diagnostics :
- Définition 2 (Distributionnelle) : L'influence causale $X_k \leadsto X_j$ est définie comme la variation de la loi marginale de $X_j$ sous $do(X_k = \xi)$ lorsque $\xi$ varie.
- Définition 3 (Influence détectable par le score) : Une condition suffisante pour l'influence causale est la non-annulation de la dérivée mixte de la log-densité marginale : $S_{k \to j}(\xi, x_j) = \frac{\partial}{\partial \xi} \frac{\partial}{\partial x_j} \log p^{(k, \xi)}_j(x_j) \neq 0$ .
- Proposition 2 : Sur un support connexe, strictement positif et fixe, ce diagnostic par le score est également nécessaire. Si la dérivée du score est nulle partout, la distribution marginale ne change pas avec l'intervention.
L'ensemble admissible et le champ de réponse :
L'article rejette l'idée qu'un « ensemble admissible » de directions d'intervention $A(x)$ (l'ensemble des coordonnées manipulables) soit suffisant pour récupérer les effets causaux à partir de données observationnelles.
- Proposition 3 : Deux modèles peuvent partager le même score observationnel $\psi$ et le même ensemble admissible $A(x)$ tout en possédant des réponses causales différentes. Par conséquent, projeter $\psi$ sur $A(x)$ ne peut pas produire un champ causal.
- Définition 4 (Champ de réponse interventionnel) : Le contenu causal se situe dans un champ de réponse $S(v)$ , qui décrit la sensibilité du score interventionnel à une famille d'interventions structurelles spécifique. Ce champ doit être fourni par une connaissance structurelle externe ou un design expérimental ; il ne peut être inféré de $p(x)$ et $A(x)$ seuls.
Métrique causale :
Pour mesurer la « distance » ou le contenu informationnel des interventions, l'article définit une Métrique Causale (Définition 5). Contra\à aux constructions naïves qui tentent de comparer les sensibilités entre différents objectifs (qui vivent sur des espaces de coordonnées différents), cette métrique est construite comme la métrique d'information de Fisher sur une famille d'interventions partageant un objectif commun $k$ . Cela garantit que les densités vivent sur un espace commun $X_{-k}$ .

Résultats clés et illustrations

Exemple Gaussien Bivarié : L'article fournit un exemple entièrement travaillé avec deux modèles (A et B) qui sont observationnellement équivalents (densité Gaussienne jointe et champ de score identiques).
- Modèle A : $Y = \beta X + \epsilon_Y$ . Une intervention sur $X$ déplace la moyenne de $Y$ . La sensibilité du score interventionnel $S_{X \to Y} = \beta/\sigma^2 \neq 0$ .
- Modèle B : $X = \gamma Y + \epsilon_X$ . Une intervention sur $X$ n'affecte pas $Y$ . La sensibilité du score interversionnel $S_{X \to Y} = 0$ .
- Cela démontète que si la géométrie observationnelle statique est identique, les dérivées du score interventionnel divergent, identifiant correctement la direction causale uniquement lorsque des hypothèses structurelles sont fournies.
Réinterprétation des designs classiques :
- Essais contrôlés randomisés (ECR) : La randomisation assure que le traitement $T$ est indépendant des covariables $Z$ . Géométriquement, cela se manifeste par une séparation par blocs dans le champ de score conjoint $\psi_{T,Z}$ , où la composante des covariables est invariante aux changements de $T$ . L'article précise que la randomisation garantit une « ligne de départ équitable » (indépendance de l'assignation) mais ne rend pas géométriquement plat le rapport traitement-résultat.
- Variables instrumentales (VI) : L'estimand VI est reformulé comme un ratio de dérivées directionnelles des fonctions de moyenne conditionnelle ( $D_{v_Z} m_Y / D_{v_Z} m_T$ ), plutôt que comme un ratio de variables brutes.
- Modèles génératifs basés sur le score : L'article met explicitement en garde contre le fait que l'entraînement de modèles génératifs pour estimer le score observationnel $\nabla \log p(x)$ ne produit pas de structure causale. Sans données interventionnelles pour estimer le champ de réponse, le modèle reste sur l'« échelon associatif » de la causalité.

Signification et revendications
L'article affirme fournir un « dictionnaire géométrique corrigé » pour l'inférence causale qui sépare strictement ce qui peut être appris à partir de données observationnelles de ce qui nécessite un apport structurel ou expérimental.

Modestie des revendications : L'auteur déclare explicitement que le cadre ne fabrique pas de puissance d'identification au-delà des hypothèses existantes. Il n'offre pas de nouveaux résultats asymptotiques pour les meta-learners ou le double machine learning, et ne résout pas le problème d'identification en l'absence d'hypothèses structurelles.
Portée : Le cadre est délibérément étroit, se concentrant sur l'« échelon interventionnel » de l'échelle de Pearl. Il laisse l'« échelon contre-factuel » (structure cross-world au niveau de l'unité) pour des travaux futurs.
Clarté terminologique : L'article distingue son utilisation du terme « score » (gradient du log-densité) du « score » utilisé dans l'efficacité semi-paramétrique et le double machine learning (équations d'estimation), afin d'éviter la confusion entre des objets mathématiques distincts.

En résumé, l'article soutient que l'inférence causale nécessite de passer d'une géométrie statique de $p(x)$ à une géométrie dynamique de familles interventionnelles. L'information « causale » n'est pas cachée dans la courbure de la variété observationnelle, mais est encodée dans la déformation du champ de score sous des interventions structurelles explicitement définies.