Riassunto Tecnico: Funzioni di Densità Causale

Definizione del Problema

L'inferenza causale tradizionale si concentra tradizionalmente sul confronto di intere distribuzioni dopo una "chirurgia del grafo" (ad esempio, la cancellazione di un arco) o sulla stima di misure globali di forza causale come la divergenza di Kullback-Leibler (KL) tra modelli osservativi e interventivi. Sebbene efficaci per i confronti globali, questi approoli mancano spesso di un oggetto locale e differenziabile che descriva come la massa di probabilità venga trasportata da un regime osservativo a uno interventivo a livello puntuale. Inoltre, i metodi esistenti spesso si affidano a operazioni di grafo discrete o a obiettivi di ottimizzazione globale che potrebbero non essere compatibili con interventi continui e "soft" o con l'apprendimento basato su gradienti in contesti complessi e multi-regime.

Il documento pone che la domanda analitica fondamentale nell'inferenza causale sia: Qual è l'oggetto di tipo densità che trasporta la massa di probabilità osservativa nella massa di probabilità interventiva?

Metodologia: Funzioni di Densità Causale e Calcolo Kan–Do

La proposta centrale è la definizione di Funzioni di Densità Causale, che sono derivate di Radon–Nikodym (RN) che confrontano le leggi interventive con quelle osservative.

1. Definizione e Calibrazione

Per un intervento su una variabile $X_i$, la funzione di densità causale $\rho_i(z)$ è definita come:
$$\rho_i(z) = \frac{dP_{do(X_i)}}{dP_{obs}}(z)$$
a condizione che la legge interventiva $P_{do(X_i)}$ sia assolutamente continua rispetto alla legge osservativa $P_{obs}$.

Questa definizione produce un'identità di calibrazione fondamentale (l'"identità di calibrazione RN"):
$$E_{do(X_i)}[f(Y)] = E_{obs}[f(Y)\rho_i(Z)]$$
Questa identità funge sia da definizione teorica che da diagnostica empirica. Se un rapporto di densità stimato $\hat{\rho}$ è corretto, il pesatura delle aspettative osservative tramite $\hat{\rho}$ deve riprodurre le aspettative interventive.

2. Semantica Categoriale (Calcolo Kan–Do)

Il documento fornisce una base categoriale per questi concetti utilizzando le estensioni di Kan:

• Il condizionamento è caratterizzato come un'estensione di Kan a destra (un'operazione conservativa che preserva i limiti).
• L'intervento è caratterizzato come un'estensione di Kan a sinistra (un'operazione generativa, di tipo colimit-like, di pushforward).
• La derivata di Radon–Nikodym emerge come l'unica trasformazione naturale che media la tripla adiunta di queste estensioni.

Questo framework, denominato Calcolo Kan–Do, unifica il condizionamento e l'intervento come operazioni universali compatibili. Esso generalizza il precedente "Judo Calculus" incorporando esplicitamente le derivate di densità di Radon–Nikodym e stabilendo una dualità in cui la densità RN è il differenziale canonico tra le misure osservative e interventive.

3. Stima e Scoring

Gli autori propongono una pipeline pratica per stimare queste densità e utilizzarle per la scoperta causale:

• Stima della Densità: Utilizzo di normalizing flows o modelli di rapporto di densità per stimare $P_{obs}$ e $P_{do(X_i)}$ su un supporto condiviso, calcolando $\hat{\rho}(z) = \exp(\log \hat{p}_{do}(z) - \log \hat{p}_{obs}(z))$.
• Calibrazione: Validazione delle stime misurando il gap di momento $\Delta_f = |E_{obs}[f(Z)\hat{\rho}(Z)] - E_{do}[f(Z)]|$. Grandi gap indicano scarsa sovrapposizione dei regimi o fallimento della stima.
• Do-curve: Stima delle curve di risposta $x \mapsto E[Y | do(X_i=x)]$ tramite la ri-pesatura dei campioni osservativi.
• Scoring degli Archi Diretti: Viene definito un punteggio pairwise $s_{ij}$ per classificare i candidati cause $X_i \to X_j$ in base alla varianza residua di $X_j$ dopo la pesatura per $\rho_i$:
  $$s_{ij} = E_{obs}\left[ \frac{\hat{\rho}_i(Z)(X_j - \hat{E}[X_j|X_i])^2}{\text{Var}(X_j)} \right]$$
  Punteggi più bassi indicano un supporto causale più forte.
• Coerenza di Sheaf: Per gestire molteplici regimi, il metodo incorpora una penalità di stabilità basata sulla Maximum Mean Discrepancy (MMD) attraverso gli ambienti, garantendo che la struttura stimata sia coerente attraverso diversi regimi di perturbazione.

Contributi Chiave

1. Definizione delle Funzioni di Densità Causale: Il documento definisce gli effetti causali localmente tramite rapporti RN ($dP_{do}/dP_{obs}$), distinguendoli dalle misure globali di forza causale basate sulla cancellazione di grafi o sulla divergenza dell'intera distribuzione.
2. Stimatori per la Calibrazione e lo Scoring: Deriva stimatori pratici per la calibrazione della densità causale, le do-curve e gli score degli archi diretti, enfatizzando che l'estimand primario è il rapporto di densità stesso, non solo un grafo a valle.
3. Semantica RN–Kan: Fornisce una semantica categoriale compatta che spiega la connessione tra condizionamento, intervento e cambio di misura tramite estensioni di Kan, senza che la teoria delle categorie sia l'unico claim empirico.
4. Valutazione Empirica: Il framework è valutato su sistemi sintetici con ground truth noto e dataset di perturbazioni reali (segnalazione proteica Sachs, LINCS, PISA), analizzando sia il recupero riuscito che i modi di fallimento sotto debole sovrapposizione di regime.

Risultati Sperimentali

Il documento valuta gli stimatori attraverso diversi domini:

• Sistemi Gaussiani Sintetici: Le stime della densità causale sono quasi esatte, con gap di calibrazione RN vicini allo zero ($\approx 0.001$), confermando la compatibilità teorica tra cambio di misura ed estensioni di Kan.
• Segnalazione Proteica Sachs (S9): Il metodo recupera direzioni biologicamente significative (ad esempio, PKC→P38, Raf→MEK) con piccoli errori di calibrazione ($\approx 0.01$). Mentre lo scorer pairwise da solo produce un grafo denso (SHD=30), l'aggiunta di penalità di coerenza di sheaf e regressione multivariata migliora la struttura a SHD=16.
• LINCS L1000 Panel: In questo contesto biologico altamente perturbato, i gap di calibrazione aumentano ($\approx 0.12$), riflettendo una forte eterogeneità di regime. Tuttavia, il metodo identifica comunque geni driver sparsi e stabili (ad esempio, HSPA8→CDC25B) e produce do-curve fluide.
• Dati Socio-Economici PISA 2022: Utilizzato come stress test per i regimi cross-country. Sebbene vengano recuperate strutture socio-economiche plausibili, il metodo mostra ampi gap di calibrazione ($\Delta \approx 4.0$) a causa dell'estrema eterogeneità tra i paesi, dimostrando il modo di fallimento previsto quando la sovrapposizione tra i regimi è scarsa.
• Catena Multi-Regime: In una catena sintetica $X_1 \to \dots \to X_8$ con interventi soft, il campo di densità identifica correttamente le bande direzionali, sebbene la selezione dei genitori rimanga un fattore limitante per il perfetto recupero del grafo (SHD=8, F1=0.33).

Significato e Claim

Il documento sostiene che le funzioni di densità causale offrano un'alternativa più granulare, differenziabile e localmente interpretabile rispetto alle misure globali di forza causale. Inquadrando gli interventi come estensioni di Kan a sinistra e il condizionamento come estensioni di Kan a destra, il lavoro fornisce una semantica matematica universale per l'inferenza causale che si adatta naturalmente a interventi soft e parametri continui.

Gli autori sottolineano che l'identità di calibrazione è la diagnostica più critica: permette ai ricercatori di verificare se un rapporto di densità stimato trasporti effettivamente le aspettative osservative in quelle interventive. Il documento nota con modestia che, sebbene lo scorer degli archi pairwise non sia ancora competitivo con i metodi maturi di ottimizzazione del grafo come NOTEARS o DCDI per il puro recupero della struttura, il contributo primario è la stima e la calibrazione della densità causale stessa. Il framework è presentato come un passo verso una scoperta causale scalabile e multi-regime dove i rapporti di densità locali vengono incollati tramite coerenza di sheaf per formare modelli causali globalmente coerenti.

Il lavoro evita di pretendere di aver risolto tutti i problemi di scoperta causale, evidenziando invece che il metodo è più affidabile sotto una buona sovrapposizione di regime e degrada in modo prevedibile all'aumentare della divergenza tra i regimi, un comportamento esplicitamente catturato dai gap di calibrazione RN.