Riepilogo Tecnico: Identificabilità Controfattuale Oltre la Monotonia Globale

1. Enunciato del Problema

I Modelli Causali Strutturali (SCM) forniscono una semantica unificata per le interventi e i controfattuali. Tuttavia, rimane una sfida fondamentale: l'identificabilità controfattuale. I soli dati osservazionali sono spesso insufficienti per determinare univocamente gli esiti controfattuali, a meno che non vengano imposte assunzioni forti sulla classe dei meccanismi.

Storicamente, i risultati di identificabilità positiva si sono basati sulla monotonia globale (ad esempio, rumore additivo, strutture post-non lineari o parametrizzazioni triangolari monotone). Queste assunzioni garantiscono che la relazione tra variabili esogene ed esiti endogeni preservi un'orientazione fissa.

Il lavoro identifica un divario critico nei sistemi di interazione incarnata (ad esempio, robotica): fenomeni fisici come il contatto, l'attrito e la geometria inducono spesso inversioni di segno dipendenti dal contesto. In tali scenari, la stessa perturbazione esogena può produrre risposte opposte a seconda dello stato dei genitori (ad esempio, una spinta che causa movimento in avanti in un contesto e movimento all'indietro in un altro). La monotonia globale è troppo restrittiva per questi sistemi, ma rimuovere completamente la struttura ripristina l'ambiguità controfattuale. La domanda centrale è: quali vincoli strutturali sono necessari per preservare l'identificabilità controfattuale una volta abbandonata la monotonia globale?

2. Metodologia e Quadro Teorico

2.1 La Classe di Modelli Proposta: NM-TM-SCM

Gli autori introducono i Modelli Causali Strutturali Triangolari Non-Monotoni (NM-TM-SCM). Questa classe mantiene la struttura triangolare ricorsiva degli SCM standard ma rilassa il vincolo di monotonia globale. Invece, impone due condizioni specifiche:

1. Invertibilità per Meccanismo: Per ogni meccanismo $i$ e per ogni contesto fisso dei genitori $v_{<i}$, la mappatura dalla variabile esogena $u_i$ alla variabile endogena $v_i$ è una bijezione. Ciò garantisce che l'abduzione fattuale (recupero dello stato esogeno dalle osservazioni) sia unica dati i genitori.
2. Trasporto Inverso Indipendente dal Contesto: Per qualsiasi coppia di modelli $M$ e $M'$ equivalenti osservativamente, la composizione dei loro meccanismi inversi, $(f'_i(v_{<i}, \cdot))^{-1} \circ f_i(v_{<i}, \cdot)$, deve essere indipendente dal contesto dei genitori $v_{<i}$.

2.2 Contributi Teorici

Il lavoro stabilisce una catena teorica che collega queste condizioni all'identificabilità controfattuale completa:

• Lemma 1: L'invertibilità per meccanismo implica che la mappa di soluzione globale $\Gamma_M: \Omega_U \to \Omega_V$ è una bijezione.
• Teorema 1: All'interno della classe degli SCM triangolari con ordine condiviso, il trasporto inverso indipendente dal contesto è equivalente all'isomorfismo esogeno. L'isomorfismo esogeno significa che due modelli osservativamente equivalenti condividono gli stessi mondi latenti fino a un cambiamento di coordinate nello spazio esogeno che non varia con il contesto.
• Teorema 2: L'isomorfismo esogeno implica l'identificabilità controfattuale completa. Se due modelli sono isomorfi esogenamente, devono concordare su tutte le query controfattuali.
• Proposizione 1 (Sharpness): Gli autori forniscono un controesempio costruttivo che mostra che la sola invertibilità locale è insufficiente. Se il trasporto inverso dipende dal contesto (cioè, l'orientazione del meccanismo si inverte in base ai genitori), modelli osservativamente equivalenti possono discordare sui controfattuali. Ciò dimostra che il trasporto inverso indipendente dal contesto è una condizione necessaria, non solo una condizione sufficiente conveniente.

2.3 Algoritmo: CausalInverter

Per concretizzare queste condizioni teoriche, gli autori propongono CausalInverter, un modello di apprendimento strutturato con tre componenti chiave:

1. Livelli Triangolari Invertibili: Modella le equazioni strutturali come flussi invertibili.
2. Gate di Orientazione Dipendenti dal Contesto: Un gate discreto $s_{i,\theta}(v_{<i}) \in \{-1, +1\}$ che permette al meccanismo di invertire i segni in base al contesto dei genitori, abilitando la non monotonia.
3. Regolarizzazione di Stabilità del Trasporto: Un termine di perdita ($L_{tr}$) che penalizza le variazioni nel trasporto inverso appreso attraverso diversi contesti dei genitori, imponendo la condizione di trasporto inverso indipendente dal contesto.

L'obiettivo di addestramento combina la verosimiglianza negativa logaritmica con regolarizzatori di coerenza ciclica e di stabilità del trasporto.

3. Risultati Sperimentali

Gli autori valutano CausalInverter su meccanismi sintetici e compiti di interazione fisica MuJoCo (Push e Door).

3.1 Benchmark Sintetici

• Configurazione: Gli autori hanno testato meccanismi globalmente monotoni, a soglia di inversione e a inversione liscia attraverso varie dimensioni e famiglie di rumore.
• Risultati:
  • In contesti globalmente monotoni, tutti i baseline strutturati performano in modo competitivo.
  • In contesti non monotoni (dove si verificano inversioni di orientazione dipendenti dai genitori), i baseline standard (ANM, triangolari monotoni, flussi biunivoci contestuali) non riescono a ridurre l'errore controfattuale.
  • CausalInverter riduce significativamente l'Errore Quadratico Medio Controfattuale (CF-MSE) e raggiunge un'alta accuratezza direzionale (~0,97) nel recupero del campo di orientazione.
  • Una scansione continua "di ponte" che varia l'intensità della non monotonia mostra che il guadagno di prestazioni di CausalInverter rispetto ai baseline monotoni scala linearmente con il grado di non monotonia.

3.2 Compiti di Interazione Fisica (MuJoCo)

Gli autori confrontano CausalInverter con una serie di baseline basati sullo stato (Dinamica Lineare, MLP, Autoregressivo, GRU, Transformer, Flusso Condizionale) secondo un protocollo di campionamento controfattuale bilanciato.

• MuJoCo Door (Forte Non Monotonia):

  • Questo compito esibisce una dinamica di contatto fortemente dipendente dal contesto (punteggio NMS $\approx 0,696$).
  • CausalInverter raggiunge un recupero controfattuale perfetto a livello di evento (100% di successo sulla partizione formale) e il più basso errore angolare controfattuale continuo tra i modelli che raggiungono anche una perfetta accuratezza degli eventi.
  • Dimostra una stabilità superiore su più semi rispetto ai baseline Transformer e Flusso Condizionale.
  • Gli studi di ablazione confermano che la rimozione del gate di orientazione causa il degrado più severo, validando la necessità di modellare le inversioni dipendenti dal contesto.

• MuJoCo Push (Debole Non Monotonia):

  • Questo compito ha un punteggio di non monotonia inferiore (NMS $\approx 0,175$).
  • Qui, il bias strutturale di CausalInverter non domina. Predittori di stato a dati limitati più forti (ad esempio, Dinamica Lineare, MLP) rimangono competitivi o superiori.
  • Gli autori interpretano questo come un confine bias-varianza: il vincolo strutturale è benefico quando la non monotonia è abbastanza forte da rendere ambigue le traiettorie controfattuali, ma può essere una regolarizzazione eccessiva quando il compito è quasi monotono.

4. Significato e Affermazioni

Il lavoro afferma di identificare un regime identificabile più ampio situato tra i modelli triangolari globalmente monotoni e i modelli del mondo black-box non vincolati.

• Insight Teorico: Il lavoro dimostra che la monotonia globale non è l'ingrediente essenziale per l'identificabilità controfattuale. Invece, l'invertibilità per meccanismo combinata con il trasporto inverso indipendente dal contesto (equivalente all'isomorfismo esogeno) è la condizione sufficiente e sharp.
• Impatto Pratico: Rilassando il vincolo di monotonia globale, il framework proposto (NM-TM-SCM) e il modello CausalInverter abilitano un ragionamento controfattuale affidabile in sistemi fisici dove contatto e geometria inducono inversioni di segno.
• Consapevolezza dei Confini: Il lavoro definisce esplicitamente i limiti del suo contributo. Il bias strutturale è più efficace in regimi con forte non monotonia sensibile ai rami (come il compito Door). In regimi debolmente non monotoni (come Push), predittori di stato flessibili possono superare l'approccio strutturato, evidenziando un compromesso tra vincoli di identificabilità causale e complessità del compito.

Gli autori concludono che il loro approccio fornisce una via efficiente in termini di parametri per il recupero di rami a livello di evento in interazioni fisiche complesse, offrendo un'alternativa strutturata ai modelli del mondo puramente predittivi privi di garanzie causali.