Sintesi Tecnica: Scoperta Causale con Confondimento Latente tramite la Geometria della Parentesi di Lie

1. Definizione del Problema

La scoperta causale affronta un collo di bottiglia combinatorio fondamentale: lo spazio dei possibili Grafi Aciclici Diretti (DAG) cresce in modo super-esponenziale con il numero di variabili. I metodi esistenti, come le ricerche basate su punteggio (es. GES, NOTEARS) o gli approcci basati su vincoli (es. FCI), faticano con questa scala, in particolare in presenza di confondimento latente. I metodi tradizionali per le variabili latenti spesso si affidano a forti assunzioni strutturali (es. sparsità, linearità o specifica non-gaussianità) o richiedono una ricerca esaustiva sulle Classi di Equivalenza di Markov (MEC), che offre solo una riduzione di un fattore costante della complessità dello spazio di ricerca.

Il documento postula che il confondimento latente non sia semplicemente un nodo mancante, ma un ostacolo al trasporto coerente dell'informazione causale tra i regimi osservativo e interventivo. Quando esistono variabili non osservate, il manifold statistico esibisce una curvatura che impedisce ai flussi di intervento locali di commutare, una proprietà che gli algoritmi standard di ricerca sui grafi non riescono a sfruttare direttamente.

2. Framework Teorico: Kan-Do-Calculus (KDC)

Il documento si basa sul Kan-Do-Calculus (KDC), che riformula l'inferenza causale attraverso la teoria delle categorie.

• Bi-Adjunction Categoriale: La distinzione tra condizionamento passivo e intervento attivo è modellata come una bi-adjunzione:
  $$\text{Lan}_K \dashv K^* \dashv \text{Ran}_K$$
  • Estensione di Kan a Sinistra ($\text{Lan}_K$): Modella l'intervento ($P(Y | \text{do}(X))$) come un operatore di pushforward universale.
  • Estensione di Kan a Destra ($\text{Ran}_K$): Modella il condizionamento ($P(Y | X)$) come un operatore di pullback universale.
  • Pre-composizione ($K^*$): Rappresenta l'interfaccia osservativa.
• Traduzione Geometrica: Quando trasportati su manifold statistici lisci, le derivate di Radon–Nikodym tra le misure osservative e interventive inducono campi vettoriali causali locali.
• Ostacolo Latente: Se il sistema è privo di confondimento latente, questi campi vettoriali dovrebbero essere integrabili (le loro parentesi di Lie si chiudono entro lo span visibile). Il confondimento latente si manifesta come un residuo della parentesi di Lie non nullo ($[v_i, v_j] \neq 0$), rappresentando una curvatura geometrica che non può essere spiegata dalle variabili osservate.

3. Metodologia

Il documento introduce due algoritmi: BRIDGE (una pipeline di screening modulare) e SKFM (un metodo di inferenza geometrica end-to-end).

3.1 BRIDGE: Residui di Parentesi per la Scoperta Interventiva e la Stima Geometrica

BRIDGE è una pipeline a due stadi progettata per ridurre lo spazio di ricerca prima di applicare algoritmi di punteggio standard.

1. Stima della Densità Interventiva: Utilizza un motore di densità (es. Gaussiana regolarizzata, Normalizing Flows) per stimare il rapporto di Radon–Nikodym $\rho_i = dP_{\text{do}(X_i)} / dP_{\text{obs}}$. Questo definisce un campo vettoriale locale $v_i \approx \nabla \log \rho_i$.
2. Screening di Lie/Frobenius:
   • Calcola la parentesi di Lie $[v_i, v_j] = \nabla v_j \cdot v_i - \nabla v_i \cdot v_j$ per coppie di interventi.
   • Scoring Asimmetrico: Misura l'influenza diretta tramite la riduzione della varianza sotto riponderazione.
   • Rilevamento Latente: Le parentesi che non si chiudono (residui di Frobenius) sono segnalate come candidati per l'ostruzione latente o il mismatch di regime.
3. Riduzione della Famiglia di Candidati: Lo screening geometrico produce una maschera ad alto richiamo di frecce ammissibili, filtrando le direzioni incoerenti con l'integrabilità locale.
4. Punteggio a Valle (Downstream Scoring): Uno scorer standard (es. GES, TCES, BIC) opera solo sulla famiglia di DAG così potata.

3.2 SKFM: Spectral Kan-Do Flow Matching

SKFM è un algoritmo differenziabile end-to-end che tenta di recuperare il grafo direttamente dalla geometria appresa, bypassando la fase di ricerca discreta.

1. Amortized Flow Matching: Utilizza il Conditional Flow Matching (CFM) per apprendere un singolo network neurale $f_\theta$ che parametrizza i campi di intervento per tutte le variabili simultaneamente, evitando la necessità di $d$ modelli indipendenti.
2. Fattorizzazione Spettrale dei Fattori Latenti:
   • Costruisce una Matrice di Gram della Curvatura Causale $G$ dalle norme al quadrato delle parentesi di Lie.
   • Esegue la decomposizione in autovalori per identificare l'impronta della curvatura latente. Il rango di $G$ stima la dimensionalità dello spazio di confondimento latente.
   • Proietta i campi vettoriali sull'complemento ortogonale dello spazio latente per "scrostare" il confondimento.
3. Vincolo di Algebra di Lie Solubile: Impone l'aciclicità tramite una penalità morbida sulle costanti di struttura dell'algebra di Lie, garantendo che il grafo estratto corrisponda a una sottualgebra solubile (triangolare).
4. Estrazione del Grafo: Estrae direttamente la matrice di adiacenza dagli score di influenza appresi e dalle proiezioni spettrali, soggetto a un ordine topologico.

4. Risultati Chiave

Gli esperimenti validano il framework attraverso dataset sintetici e del mondo reale:

• Catene Sintetiche (Confondimento Latente):

  • Su una catena a 7 nodi con un confonditore terminale, BRIDGE ha mantenuto tutti i 6 archi veri riducendo l'insieme delle frecce candidate da 42 a 21.
  • Lo scorer TCES/BIC a valle su questa famiglia potata ha raggiunto un F1 diretto medio di $\approx 0.86$ su DAG casuali a 10 nodi, superando significativamente la ricerca diretta.
  • SKFM ha recuperato con successo le strutture a catena esatte quando l'ordine topologico vero era fornito, bypassando l'intero enumerazione combinatoria.

• Motivi Non-Catena (Diamante, Collider/Forcella):

  • Gli standard mask di influenza hanno fallito nel trattenere tutti gli archi veri in motivi complessi.
  • Rescue della Curvatura Spettrale: L'uso della decomposizione spettrale dello spettro della parentesi di Lie per identificare le impronte latenti ha ripristinato un richiamo perfetto dei candidati per i motivi Diamante e Collider/Forcella.
  • Calibrazione SKFM: Utilizzando la regolarizzazione di continuità e lo scoring del gradiente di contaminazione, SKFM ha ottenuto il recupero esatto su questi motivi, sebbene sia rimasto instabile su DAG casuali generici senza uno scorer a valle.

• Benchmark del Mondo Reale:

  • Sachs Protein Signaling: Lo screening geometrico ha ridotto lo spazio di ricerca del 60% preservando quasi l'intera struttura selezionata dal GES aggregato. Tuttavia, ha identificato una "frontiera di calibrazione": le correlazioni di continuità sui dati reali (0.587) erano significativamente inferiori rispetto ai regimi sintetici, portando a un'alta precisione ma a un basso richiamo. Il documento tratta questo come un diagnostico della non-stazionarietà dei dati piuttosto che un fallimento del metodo.
  • S9 Gene Expression: Su un pannello di 9 geni senza un gold standard, lo screening geometrico ha compresso la famiglia di DAG etichettata da $\approx 10^{15}$ a $\approx 1.2 \times 10^5$ candidati aciclici, dimostrando la trattabilità su scala reale.
  • PISA 2022: Applicato alle variabili trend dell'OECD, il metodo ha prodotto un grafo compatto coerente con le affermazioni causali di base, servendo come diagnostico di sola scoperta.

5. Significato e Rivendicazioni

Il documento rivendica i seguenti contributi:

1. Riformulazione Geometrica della Latenza: Stabilisce che il confondimento latente è un ostacolo geometrico irreducibile (parentesi di Lie non nulla) piuttosto che solo un nodo mancante. Ciò consente la rilevazione di strutture nascoste senza assumere sparsità o forme parametriche specifiche.
2. Compressione dello Spazio di Ricerca: Il principale contributo pratico è la pipeline BRIDGE, che utilizza la geometria locale di Lie/Frobenius per potare la famiglia di frecce ammissibili prima del punteggio. Questo trasforma un problema di ricerca super-esponenziale in un'ottimizzazione vincolata trattabile, ottenendo un alto richiamo degli archi veri riducendo lo spazio di ricerca di ordini di grandezza (es. compressione da $10^4\times$ a $10^9\times$).
3. Inferenza Geometrica End-to-End: SKFM dimostra che, in condizioni specifiche (catene ordinate, campi calibrati), la scoperta causale può essere eseguita direttamente nello spazio del campo dell'algebra di Lie appreso, recuperando le dimensioni latenti e la struttura del grafo senza enumerazione combinatoria.
4. Consistenza Categoriale: Il lavoro fornisce una lente teorica unificata dove interventi, condizionamento e controfattuali (formalizzati come trasporto parallelo e ologramma) sono coerenti con la bi-adjunzione Kan-Do.

Limitazioni e Modestia:
Il documento è modesto riguardo alle sue rivendicazioni sul recupero di grafi generici. Afferma esplicitamente che l'estrazione diretta di SKFM è instabile per DAG casuali non ordinati generici senza uno scorer a valle. L'euristica di estrazione del grafo "Step 9" rimane un collo di bottiglia per i motivi non-catena. Inoltre, sui dati biologici reali (Sachs), il metodo identifica una frontiera di calibrazione dove le correlazioni di continuità scendono, suggerendo che mentre lo screening geometrico è robusto, il pieno recupero di grafi biologici complessi richiede una migliore gestione del mismatch di regime e dei loop di feedback. Le garanzie teoriche (Proposizioni 5.1, 7.1, 7.2) sono asintotiche e dipendono da assunzioni di regolarità, margine e gap di autovalori.

In sintesi, il documento propone una pipeline di screening geometrico pratica che riduce efficacementamente lo spazio di ricerca della scoperta causale e fornisce un resoconto calibrato di quando l'estrazione diretta nello spazio di Lie è fattibile rispetto a quando è necessario uno scorer a valle.