Sintesi Tecnica: Falsificazione di Grafi Causali con Eventi Outlier

Definizione del Problema

Le vere relazioni causali sono raramente note a priori e l'inferenza di grafi causali dai dati rimane un compito impegnativo. Una difficoltà fondamentale risiede nel valutare la validità di un dato grafo causale candidato in assenza di una verità fondamentale (ground truth). Mentre i metodi precedenti hanno utilizzato dati interventistici o controlli di coerenza tra sottoinsiemi di variabili, questi spesso richiedono campioni multipli, l'accesso a oracoli di indipendenza condizionale o assumono specifiche forme parametriche. In contesti pratici come il monitoraggio del cloud o la produzione industriale, raccogliere più campioni di eventi anomali rari può essere proibitivo o impossibile. Inoltre, i metodi esistenti per la falsificazione di modelli causali utilizzando dati osservazionali spesso mancano di test statistici validi con tassi di falsi positivi controllati.

Questo lavoro affronta il problema della falsificazione di un grafo causale candidato utilizzando un singolo campione outlier. L'obiettivo è testare l'ipotesi nulla $H_0: \hat{G} = G$, dove $\hat{G}$ è un grafo causale stimato e $G$ è il vero grafo causale, sfruttando le caratteristiche di propagazione degli eventi outlier.

Metodologia

L'approccio proposto si basa sul principio secondo cui gli outlier deboli raramente causano outlier forti. Questo principio, precedentemente utilizzato nell'analisi delle cause radice (root cause analysis) per identificare le cause senza una conoscenza preventiva del grafo, viene qui invertito per falsificare i grafi: se un grafo candidato implica un modello di propagazione di outlier incoerente con questo principio, il grafo viene rifiutato.

Concetti Fondamentali

1. Modellazione degli Outlier: Gli outlier sono modellati come il risultato di un "intervento morbido" (soft-intervention) su un sottoinsieme di variabili causa radice $R$. La distribuzione di un campione outlier è una versione "corrotta" della distribuzione reale in cui i meccanismi per le variabili in $R$ sono alterati.
2. Punteggi Outlier Informazione-Teoretici (IT): Il metodo utilizza punteggi outlier IT definiti come $S(x) = -\log P(\text{evento})$.
   • Punteggi Marginali: $S(x_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i))$.
   • Punteggi Condizionali: $S(x_i | pa_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i) | PA_i = pa_i)$.
     Sotto l'ipotesi nulla che il grafo sia corretto e il campione sia tratto dal meccanismo ordinario (escludendo le cause radice), questi punteggi seguono una distribuzione esponenziale standard indipendente, $\text{Exp}(1)$.

Test Statistici

Gli autori propongono quattro test statistici basati su questi punteggi per rifiutare $H_0$. I test sono progettati per avere il controllo dei falsi positivi (p-value validi) e garanzie di potenza contro specifiche classi di grafi errati.

1. Test dei Punteggi Condizionali (Assumendo Cause Radice Note)

Quando le cause radice $R$ sono note e il grafo è un Grafo Aciclico Diretto (DAG), i punteggi condizionali delle variabili non radice sono variabili $\text{Exp}(1)$ indipendenti sotto $H_0$. Il documento propone:

• Test basato su Fisher: Somma i punteggi condizionali ($S_{sum}$). Il p-value è derivato dalla distribuzione di Erlang (somma di esponenziali).
• Test basato su Tippett: Utilizza il punteggio condizionale massimo ($S_{max}$). Il p-value è derivato dalla distribuzione del massimo di esponenziali.
• Test Binomiale: Conta il numero di punteggi che superano una soglia $t$ ($N_t$). Il p-value segue una distribuzione binomiale.
• Test di Kolmogorov-Smirnov (KS): Confronta la funzione di ripartizione empirica (CDF) dei punteggi con la CDF teorica $\text{Exp}(1)$ ($D_L$).

2. Test dei Punteggi Marginali (Assunzione Polytree)

Inferire distribuzioni condizionali è statisticamente mal posto con dati limitati. Gli autori adattano i primi tre test per utilizzare solo punteggi marginali, a condizione che il vero grafo sia un polytree (un DAG senza cicli non orientati).

• Tipicità del Punteggio: Il metodo si basa sulla condizione $S(y|x) \geq |S(y) - S(x)|_+$. Quando soddisfatta, implica che un outlier debole raramente causa uno forte.
• Statistiche del Test: I test marginali utilizzano il "salto" (jump) nei punteggi: $|S(x_i) - S(PA_i)|_+$.
• Validità: Sotto l'assunzione di polytree e la tipicità del punteggio, queste statistiche marginali sono stocasticamente dominate dai rispettivi analoghi condizionali, garantendo p-value validi.

3. Cause Radice Sconosciute

Se le cause radice sono sconosciute ma è noto un limite superiore $k$ sul loro numero, gli autori propongono una procedura di massimo leave-$k$-out. La statistica del test è calcolata per ogni sottoinsieme di $k$ variabili trattate come potenziali cause radice, e viene preso il p-value massimo. Ciò controlla il tasso di falsi positivi senza introdurre bias di selezione.

Garanzie Teoriche

• Controllo dei Falsi Positivi: I test forniscono p-value rigorosi, garantendo che $P(\text{rifiuta } H_0 | H_0 \text{ è vera}) \leq \alpha$.
• Garanzie di Potenza: Il documento deriva limiti inferiori sul tasso di decadimento dei punteggi outlier lungo i percorsi causali utilizzando la Strong Data Processing Inequality (SDPI).
  • Se a un vero discendente di una causa radice vengono assegnati genitori errati (ad esempio, non discendenti o genitori più lontani dalla radice), il risultante "salto di punteggio" è limitato inferiormente.
  • La potenza dei test aumenta con la forza dell'anomalia iniettata ($\lambda$) e con la proporzione di archi errati ($\pi$).
  • Risultati di ottimalità specifica (Uniformemente Più Potenti) sono mostrati per il test della somma (Fisher) contro spostamenti globali nei parametri di tasso e per il test del massimo (Tippett) contro outlier dominanti singoli.

Risultati Sperimentali

Gli autori hanno valutato i loro metodi su dataset sia sintetici che del mondo reale, confrontandoli con baseline che includono un test basato su permutazione (Eulig et al., 2025) e un algoritmo di scoperta causale (GRaSP).

Dati Sintetici

• Configurazione: DAG casuali con 20 nodi. Gli outlier sono stati iniettati in una causa radice casuale e propagati. La "verità fondamentale" (ground truth) del grafo è stata parzialmente corrotta per creare grafi di test con diverse frazioni di archi corretti ($|K|/|N|$).
• Risultati:
  • I test proposti hanno mostrato tassi di rifiuto crescenti all'aumentare della frazione di archi errati.
  • I test dei punteggi condizionali hanno generalmente superato i test dei punteggi marginali, come previsto.
  • La baseline GRaSP era eccessivamente sensibile, rifiutando quasi tutti i grafi (inclusi quelli della verità fondamentale) a causa di discrepanze nei campioni finiti.
  • La baseline di permutazione si è comportata come previsto, rifiutando i grafi solo quando erano peggiori del caso casuale.
  • La potenza aumentava con anomalie iniettate più forti e quando erano disponibili più campioni outlier.

Dati del Mondo Reale

1. Dataset PetShop (Cloud Computing): Lo studio ha testato una "mappa di dipendenza dei servizi" (con archi invertiti) come proxy del grafo causale.
   • Risultato: I test proposti hanno rifiutato questo grafo a un tasso significativamente superiore al livello di significatività, particolarmente in scenari ad alto traffico. Ciò suggerisce che la mappa dei servizi, pur essendo migliore del caso casuale, non è il vero grafo causale.
2. Dataset Causal Chambers: Un banco di prova fisico con una struttura causale accurata nota.
   • Risultato: I test hanno rifiutato il grafo a un tasso coerente con il livello di significatività (ovvero, non hanno erroneamente rifiutato il grafo corretto), validando il controllo dei falsi positivi.

Significato e Rivendicazioni

Il documento afferma di presentare i primi test statistici per l'ipotesi nulla che un dato grafo causale sia il vero grafo causale che soddisfano tre criteri specifici:

1. Controllo dei Falsi Positivi: Forniscono p-value validi, assicurando che il tasso di falsi rifiuti sia limitato.
2. Garanzie di Potenza: Hanno dimostrato potenza contro una vasta classe di grafi causali errati, specificamente dove la propagazione degli outlier viola il principio "debole-a-forte".
3. Operatività con Singolo Campione: Possono operare efficacementamente con un singolo campione outlier, una caratteristica critica per domini in cui gli eventi anomali sono rari e costosi.

Gli autori sottolineano che questo lavoro colma il divario tra la letteratura sull'analisi delle cause radice e la valutazione dei grafi causali, trasformando il principio della propagazione degli outlier in uno strumento rigoroso di falsificazione. Il metodo non richiede dati interventistici né campioni multipli dal regime anomalo, rendendolo applicabile a scenari in cui i metodi tradizionali di scoperta o falsificazione causale falliscono.