🤖 AI

Regret-Based Federated Causal Discovery with Unknown Interventions

Questo articolo propone I-PERI, un nuovo algoritmo federato che consente la scoperta causale sotto interventi a livello di client sconosciuti, recuperando un grafo di unione e orientando ulteriori archi per ottenere una classe di equivalenza $\Phi$ -Markov più stretta, fornendo al contempo garanzie teoriche sulla convergenza e sulla privacy.

Autori originali: Federico Baldo, Charles K. Assaad

Pubblicato 2026-06-01

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Federico Baldo, Charles K. Assaad

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate un gruppo di ospedali che cerca di capire come diverse malattie, trattamenti e risultati dei pazienti siano collegati tra loro. Vogliono costruire una "mappa" di causa-effetto (un grafo causale) per capire cosa causa cosa. Tuttavia, c'è un grande problema: non possono condividere i dati dei loro pazienti a causa delle leggi sulla privacy. È qui che entra in gioco l'Apprendimento Federato (Federated Learning): un modo per collaborare senza mai vedere i file privati altrui.

Il documento presenta un nuovo metodo chiamato I-PERI per risolvere un enigma specifico in questo scenario: E se ogni ospedale stesse facendo qualcosa di leggermente diverso ai propri pazienti?

Ecco la suddivisione delle idee del documento utilizzando analogie semplici:

1. Il Problema: L'errore del "Modello Unico"

La maggior parte dei metodi precedenti presupponeva che ogni ospedale stesse eseguendo esattamente lo stesso esperimento sugli stessi pazienti. Presupponevano che le "regole del gioco" fossero identiche ovunque.

La Realtà: Nel mondo reale, l'Ospedale A potrebbe trattare i pazienti con un farmaco specifico, mentre l'Ospedale B usa un protocollo diverso e l'Ospedale C potrebbe semplicemente osservare senza intervenire. Queste diverse azioni sono chiamate interventi.

L'Analogia: Immaginate di cercare di capire come funziona il motore di un'auto.
- L'Ospedale A sta guidando l'auto normalmente.
- L'Ospedale B ha rimosso le candele (un intervento).
- L'Ospedale C ha coperto l'iniettore di carburante con del nastro adesivo (un altro intervento).
- Se cercate di combinare i loro rapporti assumendo che stiano tutti guidando normalmente, otterrete una mappa confusa e sbagliata di come funziona il motore.

2. La Soluzione: I-PERI (Il detective del "Rimpianto")

Gli autori propongono I-PERI, un processo investigativo in due fasi che funziona anche quando gli ospedali non sanno esattamente quali interventi stiano compiendo gli altri e non possono condividere i loro dati grezzi.

Fase 1: Trovare il terreno comune (Lo "Scheletro")
Per prima cosa, il sistema cerca di trovare le parti della mappa che sono uguali per tutti.

L'Analogia: Il server centrale chiede a ciascun ospedale: "Se disegno una mappa del motore, quanto 'rimpiange' il fatto di non corrispondere alla tua realtà locale?"
Invece di condividere le loro mappe complete, gli ospedali inviano solo un numero che rappresenta questo "rimpianto" (un punteggio di quanto la mappa del server sia errata rispetto ai loro dati locali).
Il server adegua la sua mappa per minimizzare il rimpianto totale. Questo li aiuta a concordare sulla struttura di base (lo "scheletro") del grafo causale, ignorando le parti che sono state alterate dagli interventi.

Fase 2: Usare le differenze per riempire gli spazi vuoti
Questa è la parte geniale. Una volta costruita la mappa di base, il sistema osserva le differenze causate dagli interventi.

L'Analogia: Ricordate le candele? Quando l'Ospedale B le ha rimosse, il motore si è comportato in un modo specifico che ha rivelato una connessione nascosta.
I-PERI osserva come gli interventi in diversi ospedali abbiano cambiato la "forma" dei dati. Se un intervento presso l'Ospedale A crea un modello specifico (come una "forma a V" nei dati) che prima non era visibile, il server usa quell'indizio per disegnare una specifica freccia sulla mappa.
Il Risultato: Finiscono per ottenere una mappa molto più dettagliata di quella che avrebbero potuto costruire usando solo dati osservazionali. Gli autori chiamano questa nuova mappa più precisa $\Phi$ -CPDAG.

3. Privacy: La Collaborazione "Bendata"

Il documento sottolinea che questo metodo è progettato per essere privato.

L'Analogia: Gli ospedali non consegnano mai le loro liste di pazienti o i loro progetti completi del motore. Inviano solo un singolo numero (il "punteggio di rimpianto") e alcuni indizi criptati.
Gli autori dimostrano matematicamente che anche se qualcuno cercasse di spiare questi numeri, non potrebbe fare il reverse-engineering dei dati privati di alcun singolo paziente. Utilizzano una tecnica chiamata Differential Privacy, che aggiunge un po' di "rumore statico" alle risposte per nascondere i contributi individuali, proprio come aggiungere un po' di staticità a un segnale radio per non sentire la voce di una persona specifica, ma riuscire comunque a capire la canzone.

4. Cosa hanno dimostrato

Funziona: Hanno dimostrato che, se si hanno abbastanza dati, questo metodo troverà alla fine la mappa più accurata possibile date le restrizioni (la $\Phi$ -Markov Equivalence Class).
È Migliore: Nei loro test (utilizzando dati sintetici che imitano scenari del mondo reale), I-PERI ha costruito mappe più accurate rispetto ad altri metodi esistenti, specialmente quando gli ospedali avevano protocolli di trattamento differenti.
È Veloce: Funziona significativamente più velocemente di altri metodi complessi.

Riassunto

I-PERI è un nuovo modo per gruppi decentralizzati (come gli ospedali) per costruire una mappa condivisa di causa ed effetto. Non finge che tutti stiano facendo la stessa cosa; al contrario, usa le differenze in ciò che stanno facendo (gli interventi sconosciuti) come indizi per disegnare una mappa più precisa, il tutto mantenendo i dati privati di tutti completamente nascosti.

Sintesi Tecnica: Scoperta Causale Federata Basata sul Regret con Interventi Sconosciuti

Definizione del Problema

La scoperta causale da dati osservazionali recupera tipicamente un CPDAG (Completed Partially Directed Acyclic Graph) completato, che rappresenta una Classe di Equivalenza di Markov (MEC). Sebbene i recenti metodi di Federated Causal Discovery (FCD) affrontino la decentralizzazione dei dati e la privacy, essi si basano sull'assunzione idealizzata che tutti i client condividano un modello causale identico e non influenzato da interventi. Nei contesti reali di apprendimento federato (ad esempio, centri ospedalieri multi-centro), le policy e i protocolli specifici per ogni client inducono naturalmente interventi eterogenei e sconosciuti. Questi interventi alterano le strutture causali locali (ad esempio, rimuovendo gli archi entranti tramite interventi strutturali), rendendo inefficaci gli algoritmi standard di FCD poiché non sono in grado di distinguere tra archi mancanti dovuti a interventi e archi mancanti dovuti alla struttura causale sottostante. Inoltre, i metodi esistenti per la scoperta causale con interventi sconosciuti assumono l'accorpamento centralizzato dei dati, il che viola i vincoli di privacy, o richiedono target di intervento noti, il che è spesso irrealistico in ambienti federati.

Metodologia: I-PERI

Gli autori propongono I-PERI (Intervention-PERI), un nuovo algoritmo federato progettato per gestire interventi a livello di client sconosciuti garantendo al contempo la privacy differenziale. I-PERI estende l'algoritmo PERI sfruttando le differenze strutturali indotte dagli interventi tra i client per raffinare il grafo causale globale. Il metodo opera in due fasi distinte:

1. Recupero del CPDAG Federato (Fase 1)

La prima fase mira a recuperare il CPDAG comune a tutti i client, denotato come $C(G)$ , dal quale derivano tutti i grafi specifici per ogni client.

Sfida: Le funzioni di regret standard falliscono in questa fase perché gli interventi strutturali rimuovono gli archi, causando il fatto che il CPDAG del client sia un sottografo del vero CPDAG globale. Minimizzare direttamente il regret penalizzerebbe il server per gli archi "mancanti" che sono stati in realtà rimossi dagli interventi.
Soluzione: I-PERI introduce il Directed-Consensus Masking ( $\mu$ $μ$ ). Prima di calcolare il regret, il grafo del server viene mascherato rispetto al grafo di ciascun client. Questa operazione:
- Mantiene gli archi presenti in entrambi i grafi.
- Rimuove gli archi presenti nel server ma assenti nel client (riconoscendo che possono essere indotti da interventi).
- Orienta gli archi non orientati nel grafo del server se l'arco corrispondente nel client è diretto.
Ottimizzazione: L'algoritmo minimizza il caso peggiore di regret sui grafi mascherati:
$\hat{G} = \arg \min_{H \in C(G)} \max_{k} \left( L(\mu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k) \right)$
dove $L$ è una funzione di punteggio consistente (ad esempio, BIC). Ciò assicura che il server converga al CPDAG del DAG causale sottostante $G$ .

2. Raffinamento dell'Orientamento (Fase 2)

La seconda fase sfrutta il fatto che gli interventi strutturali possono trasformare collider schermati in collider non schermati (v-structures), rivelando così orientamenti di archi che sono ambigui nei dati puramente osservazionali.

Meccanismo: I-PERI utilizza l'Undirected-Consensus Masking ( $\nu$ ). In questa maschera, gli archi non orientati hanno la precedenza su quelli diretti. L'algoritmo penalizza il server per il mancato orientamento degli archi che risultano orientati nei grafi dei client a causa delle v-structures indotte dagli interventi.
Ottimizzazione: Il regret è calcolato sul grafo con maschera non orientata:
$R_k(H) = L(\nu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k)$
Lo spazio di ricerca è limitato ai grafi parzialmente orientati derivati dal CPDAG della Fase 1.

Garanzie di Privacy

I-PERI è progettato con la privacy differenziale $\epsilon$ in mente. Invece di condividere i grafi locali o i parametri del modello, i client calcolano i regret locali e aggiungono rumore di Laplace prima della trasmissione. Il documento fornisce limiti teorici sulla sensibilità della funzione di regret, garantendo che l'aggiunta di rumore non comprometta significativamente l'utilità del recupero del grafo globale proteggendo al contempo i singoli punti dati.

Contributi Chiave

Classe di Equivalenza di Markov $\Phi$ ( $\Phi$ -MEC): Gli autori definiscono una nuova classe di equivalenza, la $\Phi$ -MEC, che è strettamente più serrata della standard MEC osservazionale ma più ampia della I-MEC (che richiede interventi noti). Rappresenta il miglior recupero possibile in un contesto federato con interventi sconosciuti.
$\Phi$ -CPDAG: Un grafo rappresentativo per la $\Phi$ -MEC, ottenuto orientando gli archi nella CPDAG standard in base alle v-structures rivelate dagli interventi a livello di client.
Algoritmo I-PERI: Un algoritmo federato in due fasi che recupera la $\Phi$ -CPDAG senza richiedere la conoscenza dei target di intervento o la condivisione di dati grezzi.
Garanzie Teoriche: Il documento fornisce prove della convergenza di I-PERI alla $\Phi$ -CPDAG all'aumentare delle dimensioni del campione, assumendo la sufficienza causale e la fedeltà (faithfulness). Stabilisce inoltre formali garanzie di privacy differenziale.

Risultati Sperimentali

Gli autori hanno valutato I-PERI su dataset sintetici lineari contro i baseline allo stato dell'arte (PERI, FedDAG, NOTEARS-ADMM, FedCDH).

Prestazioni: I-PERI ha superato costantemente i baseline in termini di Distanza di Hamming Strutturale (SHD) e punteggio F1 attraverso variabili variabili ( $p \in \{3, \dots, 20\}$ ), client ( $K$ ) e dimensioni del campione ( $n$ ).
Orientamento degli Archi: La seconda fase di I-PERI ha orientato con successo ulteriori archi che erano ambigui nella CPDAG iniziale, dimostrando l'utilità di sfruttare l'eterogeneità indotta dagli interventi.
Efficienza: I-PERI ha mostrato un tempo di esecuzione computazionale significativamente inferiore (ordini di grandezza più veloce) rispetto ai metodi concorrenti.
Robustezza: Il metodo è rimasto efficace utilizzando diversi algoritmi di scoperta locale (PC e GES) e ha mostrato prestazioni coerenti in impostazioni di dimensione del campione omogenee ed eterogenee.

Significato e Rivendicazioni

Il documento afferma che I-PERI colma una lacuna critica nella scoperta causale federata andando oltre l'irrealistica assunzione di dati omogenei e non intervenerti.

Sfruttare l'Eterogeneità: A differenza del tradizionale apprendimento federato dove l'eterogeneità dei client è spesso trattata come una fonte di rumore da minimizzare, I-PERI tratta le differenze strutturali indotte dagli interventi come una fonte di informazione per raffinare l'orientamento causale.
Scoperta che Preserva la Privacy: Il lavoro dimosta che è possibile ottenere una scoperta causale di alta qualità senza centralizzare i dati o rivelare i target di intervento, affidandosi all'aggregazione basata sul regret con privacy differenziale.
Avanzamento Teorico: Definendo la $\Phi$ -MEC, il documento stabilisce i limiti teorici di ciò che può essere identificato in contesti federati con interventi sconosciuti, fornendo un limite più stretto rispetto ai soli dati osservazionali.

Gli autori notano che l'accuratezza di I-PERI dipende dalla qualità delle CPDAG locali apprese dai client e che le garanzie teoriche si basano su assunzioni standard (sufficienza causale, fedeltà) che potrebbero essere violate in scenari reali complessi. Il lavoro futuro suggerisce di estendere il framework a contesti con variabili latenti e bias di selezione.