📊 statistics

A Mathematical Framework for Topological Causal Data Analysis

Cet article introduit l'Analyse de Données Causales Topologiques (TCDA), un cadre qui intègre des résumés topologiques stables à l'inférence causale pour analyser des résultats structurés tels que des images et des réseaux, fournissant des résultats d'identification, d'estimation et de cohérence pour les effets causaux tant au niveau individuel que de la distribution, tout en clarifiant les limites de la topologie dans la découverte causale.

Auteurs originaux : Hugo Gobato Souto, Ioannis Diamantis

Publié 2026-09-18

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hugo Gobato Souto, Ioannis Diamantis

Article original sous licence CC BY 4.0 (https://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

Dans le monde de la science moderne, les chercheurs sont souvent confrontés à un problème singulier : les choses qu'ils souhaitent étudier sont trop complexes pour être réduites à un simple nombre. Lorsqu'un médecin traite une tumeur, le résultat n'est pas seulement une masse plus petite ; c'est un changement de forme, un réarrangement des tunnels internes ou un déplacement dans la façon dont le tissu se connecte à lui-même. De même, un climatologue peut observer une carte météorologique non pas seulement pour voir s'il a fait plus chaud, mais pour comprendre si les modèles de tempêtes sont devenus plus fragmentés ou si de nouvelles boucles de circulation se sont formées. Les statistiques traditionnelles peinent ici car elles sont conçues pour comparer des moyennes, comme la différence entre deux tailles ou deux poids. Or, on ne peut pas simplement soustraire une forme d'une autre pour trouver une réponse significative, ni capturer l'essence d'un réseau en faisant la moyenne de ses connexions. Pour comprendre ces changements, les scientifiques ont besoin d'un moyen de mesurer la géométrie et les « trous » au sein des données, un domaine connu sous le nom d'analyse topologique des données. Cette approche traite les données comme un objet physique qui peut être étiré et examiné à différentes échelles pour voir quelles caractéristiques persistent et lesquelles disparaissent.

Un nouveau cadre appelé Analyse Topologique de Données Causales, développé par Hugo Gobato Souto et Ioannis Diamantis, apporte cette perspective géométrique dans le monde rigoureux de la cause et de l'effet. Pendant des décennies, les scientifiques ont utilisé l'inférence causale pour déterminer si un traitement cause réellement un résultat, en séparant l'effet d'un médicament de l'histoire naturelle d'une maladie. Cependant, ces méthodes ont été conçues pour des nombres simples. Les chercheurs ont réalisé que pour étudier des résultats complexes comme les réseaux cérébraux ou les structures moléculaires, ils avaient besoin d'une nouvelle architecture mathématique qui respecte à la fois la forme des données et la logique de la causalité. Leur travail n'invente pas une nouvelle façon de prouver qu'un médicament fonctionne ; il fournit plutôt un ensemble précis de règles sur la manière de mesurer la forme du changement une fois que le lien causal a été établi. Ils démontrent que la topologie, l'étude de la forme et de la connectivité, est un outil puissant pour résumer des données complexes, mais qu'elle doit être appliquée avec soin pour ne pas confondre la géométrie des données avec la cause du changement.

Le cœur de l'article est une structure en quatre parties qui maintient séparés les différents niveaux d'une question scientifique. Premièrement, il y a l'espace d'observation, qui est simplement les données brutes, telles qu'une image 3D d'une tumeur ou une carte d'un cerveau. Deuxièmement, il y a le modèle causal, qui définit ce que les chercheurs croient avoir causé le changement, comme un médicament spécifique ou un facteur environnemental. Troisièmement, la représentation topologique, une méthode pour transformer cette forme complexe en un résumé mathématique qui capture ses caractéristiques essentielles, comme le nombre de boucles ou de vides. Enfin, il y a la requête causale, qui pose la question spécifique, telle que : « Le traitement a-t-il changé le nombre de tunnels dans la tumeur ? » En maintenant ces quatre couches distinctes, le cadre empêche les scientifiques de confondre accidentellement la forme des données avec la cause du changement. Les auteurs démontrent que la topologie ne définit pas l'intervention elle-même ; elle fournit seulement une manière stable et sensible à la forme de décrire le résultat une fois que les hypothèses causales ont été formulées.

Les chercheurs ont identifié deux manières fondamentalement différentes d'appliquer ce cadre, et ils ont constaté que ces deux approches mènent souvent à des réponses différentes. La première approche, qu'ils appellent analyse au niveau du résultat, examine chaque patient ou objet individuel, mesure sa forme, puis fait la moyenne de ces mesures à travers le groupe. Imaginez mesurer la forme de chaque tumeur dans une étude, puis trouver la forme moyenne du changement. La seconde approche, l'analyse au niveau de la distribution, suit un chemin différent. Elle combine d'abord toutes les données pour former une image complète du comportement de la population sous traitement, créant une « loi » unique qui décrit le groupe, puis mesure la forme de l'ensemble de cette image de groupe. L'article prouve que ces deux méthodes ne sont pas interchangeables. Dans de nombreux cas, la moyenne des formes individuelles n'est pas la même que la forme de la moyenne du groupe. Par exemple, un traitement pourrait laisser la taille moyenne d'une tumeur inchangée, mais pourrait provoquer la division de la population en deux groupes distincts : certaines tumeurs se contractant en nœuds serrés et d'autres s'étendant en nuages lâches. La première méthode pourrait passer totalement à côté de cette division, tandis que la seconde détecterait clairement la nouvelle structure fragmentée.

Une partie importante du travail est dédiée à garantir que ces mesures sont fiables. Les auteurs montrent que si les outils mathématiques utilisés pour décrire les formes sont stables — c'est-à-dire qu'une petite erreur dans les données ne provoque pas un saut énorme dans le résultat — alors les conclusions causales qui en découlent sont également stables. Ils fournissent des garanties mathématiques spécifiques pour plusieurs méthodes courantes de mesure des formes, telles que celles basées sur la distance entre les points ou la densité des données. Ceci est crucial car les données du monde réel sont toujours bruitées. Le cadre garantit que si un scientifique utilise une méthode robuste pour mesurer la forme d'un réseau cérébral, il peut avoir la certitude qu'un changement détecté dans les boucles du réseau est un effet réel du traitement et non un simple bug de la mesure.

L'article aborde également une idée reçue courante : l'idée que l'observation de la forme des données peut automatiquement révéler la cause d'une relation. Les auteurs sont clairs sur le fait que cela n'est pas vrai. Bien que les motifs topologiques puissent aider les scientifiques à diagnostiquer si un modèle est incomplet — par exemple, en révélant un motif circulaire dans les données qu'un modèle linéaire n'avait pas réussi à capturer — la topologie seule ne peut pas déterminer quelle variable a causé l'autre. Une boucle dans un graphe ne vous dit pas dans quel sens la flèche du temps pointe. Pour trouver la cause, les scientifiques doivent toujours s'appuyer sur des hypothèses établies, telles que la randomisation ou des connaissances spécifiques sur le fonctionnement du système. Le cadre ajoute simplement un nouveau et puissant prisme pour observer les résultats une fois que ces hypothèses sont en place.

Enfin, les chercheurs exploreent un scénario où le résumé topologique est si grossier qu'il pourrait masquer certains détails, tout en permettant néanmoins une conclusion causale valide. Ils montrent que, sous certaines conditions, un scientifique peut identifier l'effet d'un traitement sur une caractéristique topologique spécifique sans avoir besoin de connaître la distribution complète et détaillée des données. C'est une découverte subtile mais importante, suggérant que parfois, une vue simplifiée de la forme suffit pour répondre à une question scientifique précise, même si l'image complète reste trop complexe à cartographier. Le travail conclut en plaçant la topologie fermement au sein du processus scientifique standard consistant à définir une cible, établir des hypothèses et estimer des effets. Elle ne remplace pas la nécessité d'un raisonnement causal prudent, mais offre une manière rigoureuse de poser des questions et d'apporter des réponses sur la forme du monde, des replis d'une protéine à la structure d'un système climatique.

Résumé Technique : Un Cadre Mathématique pour l'Analyse de Données Causales Topologiques

Énoncé du Problème
L'inférence causale moderne se heurte fréquemment à des résultats qui sont des objets structurés — tels que des images, des nuages de points, des réseaux ou des champs spatiaux — plutôt que des valeurs scalaires. Pour de tels résultats, la définition standard de l'Effet de Traitement Moyen (ATE), $E[Y_1] - E[Y_0]$ , est souvent scientifiquement inadéquate ou mathématiquement indéfinie car la soustraction n'est pas bien définie pour les formes ou les graphes. De plus, réduire ces structures complexes à un résumé scalaire unique risque de délaisser les caractéristiques géométriques ou topologiques d'intérêt. Bien que l'Analyse de Données Topologiques (TDA) offre des résumés multi-échelles (par exemple, des diagrammes de persistance, des paysages), ces outils manquent d'une interprétation causale intrinsèque ; une caractéristique topologique peut décrire une géométrie observationnelle sans correspondre à une intervention causale. Le document traite de la nécessité d'un cadre mathématique rigoureux intégrant les hypothèses causales aux représentations topologiques pour définir, identifier et estimer les effets causaux sur des résultats structurés.

Méthodologie et Cadre
Les auteurs proposent la Topological Causal Data Analysis (TCDA), un cadre défini par le tuple $P_{TCDA} = (S, M(G), T, C)$ , qui sépare explicitement quatre couches distinctes :

Espace d'Observation ( $S$ ) : L'espace des données observées.
Classe de Modèle Causal ( $M(G)$ ) : La classe de modèles causaux compatibles avec un graphe causal donné $G$ .
Représentation Topologique ( $T$ ) : Une application mesurable transformant les résultats ou les lois de probabilité en un espace de résumé topologique.
Requête Causale ( $C$ ) : Le contraste causal d'intérêt spécifique.

Le cadre distingue deux niveaux principaux d'analyse :

TCDA au Niveau du Résultat (Outcome-Level) : Applique la représentation topologique $T_{out}$ aux résultats potentiels individuels $Y^a$ pour obtenir $Z^a = T_{out}(Y^a)$ , puis calcule l'effet comme la différence des espérances : $TATE_{out} = E[Z^1] - E[Z^0]$ . Cette branche s'appuie sur la machinerie causale fonctionnelle existante, nécessitant que les résultats soient de type Bochner-intégrable dans un espace de Banach séparable.
TCDA au Niveau de la Distribution (Distribution-Level) : Forme d'abord la loi interventionnelle $P^a_Y = \mathcal{L}(Y^a)$ , puis applique une représentation $T_{dist}$ directement à la loi : $\Delta_{dist} = T_{dist}(P^1_Y) - T_{dist}(P^0_Y)$ . Cette approche capture les changements dans la géométrie de la population (par exemple, le regroupement, la connectivité) qui peuvent ne pas se refléter dans la moyenne des résultats individuels.

Contributions Clés et Résultats

Architecture Unifiée et Non-Commutativité :
Le document formalise la séparation de la cible causale de son identification. Un résultat théorique central (Théorème 5.9) caractérise quand les contrastes au niveau du résultat et au niveau de la distribution concordent. Ils concordent pour toutes les paires de lois si et seulement si la différence entre l'application de niveau distribution et la moyenne fonctionnelle est constante. Puisque la plupart des représentations topologiques (par exemple, basées sur les nombres de Betti ou la topologie du support) sont non-affines, les deux niveaux définissent généralement des cibles causales différentes et ne commutent pas.
Identification et Estimation :
- Niveau du Résultat : Sous des hypothèses standards (consistance, échangeabilité conditionnelle, positivité stricte), le document établit l'identification pour les résultats topologiques à valeurs dans un espace de Banach. Il dérive des représentations par pondération de l'inverse de la probabilité (IPW) et des représentations augmentées (doublement robustes). Pour des cas spécifiques comme les silhouettes pondérées par la puissance, il cite des résultats existants pour les fonctions d'influence efficientes et la convergence faible fonctionnelle (Kim et Lee 2026).
- Niveau de la Distribution : L'identification est obtenue via la formule g-causale standard appliquée aux lois interventionnelles avant la transformation topologique. Le document fournit des résultats de consistance par "plug-in", montrant que si un estimateur de la loi interventionnelle converge dans une métrique appropriée (par exemple, la distance de Wasserstein $W_2$ ), l'estimateur de l'effet topologique résultant converge, à condition que l'application topologique soit Lipschitzienne.
Stabilité et Propagation de l'Erreur :
Les auteurs dérivent des bornes de stabilité montrant que si une représentation topologique est Lipschitzienne par rapport à une métrique de diagramme (par exemple, la distance de Bottleneck ou de Wasserstein), le contraste causal hérite de cette stabilité. Spécifiquement, pour la persistance de la Distance-to-Measure (DTM), l'erreur dans l'effet topologique estimé est bornée par l'erreur $W_2$ des lois interventionnelles estimées, mise à l'échelle par le paramètre DTM $m$ .
Ignorabilité Spécifique à la Cible :
Le document incorpore le concept d'« ignorabilité topologique spécifique à la cible » (Saki et Faghihi 2026). Cette condition, qui exige que le résumé topologique de la loi du résultat potentiel soit égal à celui de la loi du résultat factuel étant donné les covariables, peut être strictement plus faible que l'échangeabilité conditionnelle faible si la représentation est non- injective. Cela permet l'identification d'effets topologiques standardisés par les covariables sans identifier les lois interventionnelles complètes, bien que cela n'identifie généralement pas les effets marginaux.
Limites de la Découverte Causale :
Le document clarifie le rôle de la topologie dans la découverte causale. Bien que la topologie observationnelle puisse distinguer des classes restreintes de modèles causaux (par exemple, séparer un mécanisme circulaire latent d'un modèle de bruit additif fonctionnel grâce au nombre de Betti du support), elle ne peut, à elle seule, orienter les liens causaux ou identifier des interventions sans hypothèses supplémentaires (par exemple, l'ordre temporel ou l'asymétrie de l'indépendance du bruit).

Signification et Revendications
Le document prétend fournir le premier cadre mathématique unifié combinant la TDA avec l'inférence causale. Sa principale signification réside dans :

Clarification de la Cible Causale : Il démontre que l'ordre des opérations — transformer les résultats puis faire la moyenne versus moyenner les lois puis transformer — définit des quantités causales fondamentalement différentes.
Identification Rigoureuse : Il établit que les résumés topologiques ne remplacent pas les hypothèses causales ; ils spécifient plutôt la caractéristique sur laquelle un contraste causal est évalué après avoir formulé les hypothèses.
Garanties de Stabilité : Il fournit une base théorique pour transférer les propriétés de stabilité des représentations topologiques vers les estimands causaux, garantissant que de petites perturbations dans les données ou les lois estimées entraînent des changements limités dans les conclusions causales.
Définition du Périmètre : Il délimite modestement les limites du cadre, notant que si la topologie aide à diagnostiquer la structure résiduelle et à distinguer des classes de modèles spécifiques, elle ne résout pas le problème général de la découverte causale ni ne fournit de robustesse face aux facteurs de confusion cachés sans hypothèses spécifiques, souvent invérifiables.

Le travail repose sur les principes standards d'identification causale (formule g, IPW, double robustesse) et les étend à des objets de type espace de Banach et de type loi, en exploitant les théorèmes de stabilité existants de la littérature TDA (par exemple, Cohen-Steiner et al., Chazal et al.) pour garantir que les estimateurs causaux résultants sont bien comportés.

Articles similaires