Multi-Level Causal Embeddings

Questo articolo presenta un quadro teorico per le incorporazioni causali, generalizzando il concetto di astrazione per mappare modelli dettagliati in sottosistemi di un modello causale più grezzo, definendo una nozione generalizzata di coerenza e dimostrando l'utilità di tale approccio nella risoluzione dei problemi marginali statistici e causali, nonché nel merging di dataset provenienti da rappresentazioni diverse.

L'essenziale

🧩 Il Puzzle del Mondo: Come unire pezzi di dimensioni diverse

Immagina di voler capire come funziona un intero ecosistema, come una foresta. Hai due amici scienziati che ti danno dei report, ma c'è un problema: non parlano la stessa lingua e non guardano la foresta con lo stesso "zoom".

• L'amico A (Modello Dettagliato 1) ti dice: "Ho studiato i cervi rossi, i daini, gli scoiattoli e come l'uomo li caccia. Ho i dati su ogni singola specie."
• L'amico B (Modello Dettagliato 2) ti dice: "Io ho studiato i lupi, le aquile, i cervi (tutti insieme) e gli scoiattoli. Non mi interessa distinguere tra cervo rosso e daino, per me sono solo 'cervi'."

Il problema? Se provi a incollare i loro fogli di calcolo uno sull'altro, non funziona. Loro usano parole diverse per le stesse cose (o cose diverse per le stesse parole) e hanno livelli di dettaglio diversi. È come se uno ti desse una foto in alta definizione di un singolo albero e l'altro una foto satellitare della foresta intera, ma tu vuoi sapere come l'albero influenza la foresta.

Fino a poco tempo fa, la scienza aveva un modo per unire queste visioni, chiamato Astrazione. Ma l'astrazione è un po' rigida: ti costringe a dire che il modello dettagliato deve coprire tutto il modello grande. È come dire: "Per capire la foresta, devi avere i dati su ogni singolo fiore".

🚀 La Nuova Idea: Gli "Incastri Causali" (Causal Embeddings)

Gli autori di questo paper, Willem e Fabio, hanno inventato un nuovo strumento chiamato Incastri Causali (o Causal Embeddings).

Pensa agli incastri come a un sistema di adattatori universali per prese elettriche.

• L'Astrazione è come dire: "Devi avere una presa esattamente uguale alla mia per collegarti".
• L'Incastro è come dire: "Non importa se hai una presa americana, europea o cinese; il mio adattatore sa come collegare la tua presa specifica a una parte specifica della mia rete elettrica".

Con gli incastri, non hai bisogno che il modello dettagliato copra tutto il mondo. Puoi prendere il modello dei cervi e lupi (Modello B) e dire: "Ok, voi 'Lupi' e 'Aquila' voi li chiamate 'Predatori' nel mio modello grande". E puoi prendere il modello dei cervi rossi e daini (Modello A) e dire: "Voi 'Cervi Rossi' e 'Daini' voi li sommate e li chiamate 'Cervi'".

🔍 Come funziona nella pratica?

Immagina di voler costruire un Modello Globale della Foresta (il "Modello Alto").

1. Prendi il modello dell'amico A. Usi un "adattatore" (l'incastro) per mappare i suoi cervi rossi e daini sul concetto generico di "Cervi" del modello globale.
2. Prendi il modello dell'amico B. Usi un altro adattatore per mappare i suoi lupi ed aquile sul concetto di "Predatori" del modello globale.
3. Il risultato: Ora hai due pezzi di informazioni diversi che si incastrano perfettamente in un unico schema coerente, anche se partivano da livelli di dettaglio diversi.

🌊 Perché è utile? (L'analogia del Mare)

Immagina di voler prevedere le maree.

• Hai un sensore che misura l'acqua in un piccolo porto (dettaglio fine).
• Hai un satellite che misura il livello del mare in tutto l'oceano (dettaglio grosso).

Se vuoi capire come le onde del porto influenzano l'oceano (o viceversa), non puoi ignorare la differenza di scala. Gli Incastri Causali ti permettono di:

1. Unire i dati: Prendi le misurazioni del porto e quelle del satellite e li metti in un unico database.
2. Riempire i buchi: Se il satellite non vede il porto, l'algoritmo usa la logica causale per "immaginare" (imputare) cosa sta succedendo lì basandosi su ciò che sa dell'oceano.
3. Avere più precisione: Più dati unisci, più la tua previsione è precisa. È come se avessi 1000 sensori invece di 10.

🧠 In sintesi: Cosa ci dicono gli autori?

1. Il problema: Spesso abbiamo molti modelli piccoli e dettagliati su parti di un sistema, ma non sappiamo come unirli in un modello grande perché usano "linguaggi" diversi.
2. La soluzione: Gli "Incastri Causali" sono una regola matematica che ci dice come tradurre un modello piccolo in una parte di un modello grande, mantenendo intatte le relazioni di causa-effetto (es. se i lupi mangiano i cervi, questo deve essere vero anche nel modello grande, anche se i cervi sono raggruppati).
3. Il vantaggio: Possiamo ora unire dataset che prima sembravano incompatibili. Questo ci permette di fare previsioni migliori, di capire sistemi complessi (come il clima o la medicina) e di non sprecare dati preziosi solo perché sono stati raccolti con un "zoom" diverso.

In una frase: Gli autori ci hanno dato le istruzioni per costruire un ponte solido tra mondi che parlano lingue diverse, permettendoci di vedere il quadro completo senza perdere i dettagli importanti.

Sommario tecnico

1. Il Problema

I modelli causali reali, spesso formalizzati come Modelli Causali Strutturali (SCM), tendono a diventare estremamente complessi e di grandi dimensioni, rendendo il ragionamento computazionalmente impraticabile. Esistono due approcci principali per gestire questa complessità:

1. Astrazione: Mappare un modello dettagliato (basso livello) su un modello più grezzo (alto livello) preservando le relazioni causali. Tuttavia, l'astrazione classica richiede una corrispondenza suriettiva (uno-a-molti o molti-a-molti) su tutte le variabili del modello alto livello.
2. Sottosistemi: Spesso nella scienza si dispone di un modello ad alto livello (es. un modello climatico globale) e di diversi modelli a basso livello che descrivono solo parti specifiche di quel sistema (es. modelli locali o specifici per sottospecie).

Il problema centrale affrontato dal paper è la difficoltà di integrare modelli dettagliati parziali (che coprono solo sottosistemi) in un modello causale coerente ad alto livello, specialmente quando le variabili sovrapposte tra i diversi modelli hanno diversi livelli di risoluzione (es. un modello conta le singole sottospecie di cervi, mentre un altro conta solo la popolazione totale di cervi). Il problema classico del "marginal problem" (trovare una distribuzione congiunta da distribuzioni marginali sovrapposte) non è direttamente applicabile in questo scenario multi-risoluzione.

2. Metodologia

Gli autori introducono il concetto di Embedding Causale come generalizzazione dell'astrazione causale.

Definizione Formale

• Embedding Causale ($\alpha$-embedding): È definito come un'estensione non suriettiva dell'astrazione $\alpha$. Mentre un'astrazione mappa l'intero modello basso livello su un modello alto livello completo, un embedding mappa un sottoinsieme di variabili rilevanti ($R$) di un modello basso livello ($M$) su un sottoinsieme di variabili ($S$) di un modello alto livello ($M'$).
• Consistenza Grafica: Un embedding è valido se la proiezione del grafo causale del modello alto livello sul sottoinsieme $S$ è un Cluster DAG (CDAG) della proiezione del grafo del modello basso livello su $R$. Questo garantisce che le dipendenze causali (adiacenze mediate e confonditori) siano preservate o mappate correttamente.
• Consistenza Funzionale: Viene definita una misura di errore ($Li$-Embedding error) che quantifica la divergenza tra la distribuzione ottenuta mappando prima i dati e poi valutando, rispetto a quella ottenuta valutando prima e poi mappando. Un embedding è $Li$-coerente se questo errore è zero.

Il Problema del Margine Multi-Risoluzione

Gli autori riformulano il problema del margine causale in una versione Multi-Risoluzione:

• Invece di richiedere che le variabili sovrapposte siano identiche, si richiede l'esistenza di mappature (embedding) da ciascun modello marginale verso un insieme comune di variabili ad alto livello.
• Questo permette di unire modelli dove una variabile ad alto livello è rappresentata da più variabili nel modello basso livello (es. "Cervi" = "Cervo Rosso" + "Cervo Daino") o con domini diversi (discreti vs continui).

Algoritmo di Fusione Dati

Viene proposto un algoritmo per fondere dataset provenienti da modelli con risoluzioni diverse:

1. Trasformazione dei dati dai modelli marginali ($M_1, \dots, M_n$) nello spazio comune ad alto livello ($M'$) utilizzando le funzioni di embedding.
2. Gestione dei valori mancanti (dovuti al fatto che alcuni modelli non coprono tutte le variabili dell'alto livello) tramite tecniche di imputazione dei dati.
3. Unione dei dataset trasformati per ottenere un dataset più grande e coerente.

3. Contributi Chiave

1. Generalizzazione dell'Astrazione: Definizione formale degli "embedding causali" che permettono di mappare sottosistemi dettagliati in un modello globale, superando la limitazione della suriettività totale richiesta dalle astrazioni classiche.
2. Nuova Formulazione del Problema del Margine: Introduzione del "Multi-Resolution Causal Marginal Problem", che estende il problema classico per gestire variabili con risoluzioni diverse e rappresentazioni multiple.
3. Teoremi di Coerenza: Dimostrazione che un insieme di embedding coerenti ($Li$-consistent) fornisce una soluzione al problema del margine multi-risoluzione. Vengono stabiliti teoremi che collegano la consistenza grafica alla consistenza funzionale.
4. Applicazione Pratica: Sviluppo di un framework per la fusione di dataset eterogenei, dimostrando come l'uso di embedding possa aumentare la potenza statistica e permettere la stima di distribuzioni congiunte non osservabili direttamente nei modelli originali.

4. Risultati

• Esempio Teorico (Ecosistema): Gli autori illustrano come due modelli separati (uno su caccia umana/scoiattoli/cervi, l'altro su predatori/sottospecie di cervi) possano essere mappati coerentemente in un unico modello ad alto livello (ecosistema semplificato) utilizzando gli embedding.
• Simulazioni Numeriche:
  • Aumento della Potenza Statistica: Fondendo dataset di 2000 e 4000 campioni da due modelli marginali diversi, il dataset fuso ha mostrato una riduzione significativa della divergenza KL (da ~0.34 e ~0.77 a ~0.22) rispetto alla distribuzione vera, dimostrando una stima più accurata.
  • Stima di Distribuzioni Non Definite: È stato possibile stimare distribuzioni congiunte (es. Predatori e Umani) che non erano definibili in nessuno dei singoli modelli marginali, grazie all'aggregazione dei dati e all'imputazione guidata dagli embedding.

5. Significato e Implicazioni

Questo lavoro è significativo perché:

• Colma un Gap Teorico: Fornisce un fondamento matematico rigoroso per l'integrazione di modelli causali parziali, una situazione comune nelle scienze applicate (biologia, economia, climatologia) che finora non aveva una formalizzazione unificata.
• Abilita l'Integrazione di Dati Eterogenei: Offre un metodo pratico per combinare dataset provenienti da fonti con diversi livelli di granularità, superando le limitazioni dei metodi attuali che richiedono variabili identiche.
• Estende il Causal Marginal Problem: Trasforma un problema puramente statistico in uno causale multi-risoluzione, permettendo di ragionare su interventi e controfattuali anche quando i dati disponibili sono frammentati e a diverse scale.
• Futuro: Apre la strada a nuovi algoritmi per l'apprendimento automatico di tali embedding, rendendo possibile l'automazione della fusione di modelli causali complessi.

In sintesi, il paper propone un quadro teorico e pratico potente per "costruire" modelli causali globali partendo da tasselli locali e dettagliati, gestendo la complessità della risoluzione variabile e garantendo la coerenza causale.