Identifying Structural Biases from Causal Mechanism Shifts

Problematica
I metodi di scoperta causale si basano tradizionalmente su due ipotesi forti: la sufficienza causale (tutte le variabili rilevanti sono misurate) e i dati indipendenti e identicamente distribuiti (i.i.d.). Nella pratica, queste ipotesi vengono frequentemente violate a causa di confonditori non misurati e bias di selezione, portando a dipendenze spurie e inferenze causali imprecise. Sebbene i metodi esistenti possano talvolta rilevare il confondimento latente o la selezione sotto specifiche condizioni, distinguere tra essi — particolarmente quando i dati sono non-i.i.d. e raccolti da molteplici ambienti — rimane una sfida significativa. Questo articolo affronta il problema dell'identificazione dei bias strutturali (confondimento nascosto e bias di selezione) attraverso l'analisi degli spostamenti dei meccanismi causali osservati in diversi contesti.

Metodologia
Gli autori propongono un quadro teorico e un algoritmo pratico, STRUBI (Structural Bias Identification), per rilevare e classificare i bias strutturali analizzando come i meccanismi causali cambiano attraverso gli ambienti.

1. Fondamento Teorico:

   • L'articolo distingue tra spostamenti di meccanismo intrinseci (cambiamenti nel vero processo generatore di dati di una variabile) e spostamenti di meccanismo osservati (cambiamenti nella distribuzione condizionata delle variabili osservate).
   • Insight Chiave: I bias strutturali inducono spostamenti di meccanismo dipendenti, mentre i sistemi non influenzati da bias mostrano spostamenti indipendenti.
     • Confondimento Nascosto: Uno spostamento intrinseco in un confonditore latente $Z$ causa spostamenti osservati nei suoi figli ($X, Y$), ma non influenza necessariamente i loro antenati o altre variabili non correlate.
     • Bias di Selezione: Uno spostamento intrinseco in una variabile di selezione latente (collider) $S$ causa spostamenti osservati in tutti i suoi antenati ($X, Y, W$).
   • Copertura Ancestrale: Gli autori definiscono la "copertura ancestrale" ($cov(A)$) come il rapporto tra un insieme di variabili $A$ e il suo insieme di antenati. Dimostrano che, sotto spostamenti di meccanismo sparsi, gli insiemi di variabili influenzati dal bias di selezione avranno una copertura ancestrale pari a 1 (chiusura ancestrale), mentre gli insiemi influenzati dal confondimento avranno tipicamente una copertura significativamente inferiore a 1.

2. L'Algoritmo STRUBI:

   • Input: Dati osservati attraverso molteplici contesti, un grafo causale osservato $G$ e soglie.
   • Step 1 (Rilevamento dello Spostamento): Per ogni variabile osservata, l'algoritmo esegue test di indipendenza condizionata (utilizzando il test KCI) tra i contesti per rilevare se il meccanismo locale $P(X_i | pa(X_i))$ è cambiato. Questo partiziona i contesti in blocchi di invarianza del meccanismo.
   • Step 2 (Identificazione della Dipendenza): L'algoritmo calcola l'Informazione Mutua Corretta (AMI) tra i pattern di partizione di diverse variabili. Le variabili con alta AMI sono raggruppate in componenti connesse, indicando che condividono una causa latente (sia un confonditore che una variabile di selezione).
   • Step 3 (Classificazione): Per ogni sottoinsieme identificato, l'algoritmo calcola la copertura ancestrale sul grafo causale fornito.
     • Se la copertura $\ge$ soglia $\tau_2$, il sottoinsieme è classificato come soggetto a Bias di Selezione.
     • Se la copertura $<$ soglia $\tau_2$, il sottoinsieme è classificato come soggetto a Confondimento Nascosto.
     • I sottoinsiemi con bassa AMI sono classificati come Non influenzati (Unbiased).

Contributi Chiave

• Identificazione dei Bias Strutturali: L'articolo fornisce una prova formale del fatto che i bias strutturali possono essere identificati da dati non-i.i.d. osservando spostamenti di meccanismo dipendenti, sfruttando specificamente la differenza topologica tra confondimento (che influenza i figli) e selezione (che influenza gli antenati).
• Approccio Non Parametrico: A differenza del lavoro precedente che spesso richiede assunzioni parametriche (ad esempio, modelli gaussiani lineari) o strutture di dati specifiche (ad esempio, dati sequenziali), STRUBI è non parametrico ed applicabile a meccanismi causali generali.
• L'Algoritmo STRUBI: Un metodo pratico ed empiricamente testabile che integra il rilevamento dello spostamento del meccanismo, l'analisi dell'informazione mutua e la topologia del grafo per classificare i bias e recuperare gli insiemi di variabili influenzate.
• Robustezza all'Errore del Grafo: Il metodo dimostra robustezza anche quando il grafo causale in input è inferito anziché noto, performando in modo comparabile all'uso del grafo reale (ground truth).

Risultati Sperimentali
Gli autori valutano STRUBI sia su dati sintetici che su dataset del mondo reale:

• Dati Sintetici: Gli esperimenti su grafi di Erdős-Rényi di varie dimensioni mostrano che STRUBI supera significativamente i baseline allo stato dell'arte (inclusi varianti di FCI, CoCo e metodi di Selezione Latente) in tre compiti: rilevare la presenza di variabili latenti, recuperare l'insieme delle variabili influenzate e classificare il tipo di bias (confondimento vs. selezione). STRUBI raggiunge alti punteggi F1 anche quando il grafo causale è appreso (usando TOPIC) anziché fornito come verità di base.
• Dati del Mondo Reale (Segnalazione Cellulare): Un caso di studio sul dataset di citometria a flusso di Sachs et al. dimostra l'applicabilità di STRUBI a sistemi biologici complessi. Quando PKC è stata esclusa per simulare confondimento o bias di selezione, STRUBI ha correttamente identificato il tipo di bias e ha recuperato la maggior parte dei nodi influenzati (antenati nel caso di selezione, figli nel caso di confondimento), superando competitor come CoCo e JCI-FCI, che non sono riusciti ad accuratamente recuperare i sottoinsiemi influenzati nello scenario di bias di selezione.

Significatività e Rivendicazioni
L'articolo sostiene che STRUBI offra un avanzamento significativo nella scoperta causale rilassando le rigide ipotesi di i.i.d. e di sufficienza causale. Sfruttando le distinte firme topologiche degli spostamenti di meccanismo dipendenti, il metodo può distinguere tra confondimento nascosto e bias di selezione senza richiedere modelli parametrici. Gli autori sottolineano che il loro approccio funziona bene nella pratica, recuperando accuratamente gli insiemi di variabili influenzate e i tipi di bias, superando di gran lunga i metodi esistenti. Riconoscono i limiti, notando che il metodo assume la condizione di Markov e la fedeltà (faithfulness), e richiede campioni sufficienti per contesto e un numero sufficiente di contesti per rilevare in modo affidabile gli spostamenti. Tuttavia, i risultati suggeriscono che STRUBI sia uno strumento robusto per identificare i bias strutturali in contesti reali e non-i.i.d.