CRC-LS-MOCBO: Safe multi-objective causal Bayesian optimization under uncertain causal structures

Sintesi Tecnica: CRC-LS-MOCBO

Definizione del Problema
Il documento affronta la sfida dell'Ottimizzazione Bayesiana Causale Multi-Obiettivo Sicura (MOCBO) sotto incertezza delle strutture causali. Nei problemi di intervento (ad es. progettazione ingegneristica, apprendimento di policy), un ottimizzatore deve selezionare insiemi di interventi e valori per migliorare molteplici obiettivi, evitando rigorosamente costose violazioni dei vincoli. Gli approcci esistenti si affidano tipicamente a un grafo causale noto o a un singolo grafo stimato tramite Massima A Posteriori (MAP). Gli autori sostengono che condizionarsi su un singolo grafo crei prior causali ed estensioni di sicurezza eccessivamente fiduciosi; se il grafo scelto è errato, l'ottimizzatore può ereditare stime distorte e non riuscire a rilevare interventi non sicuri che appaiono sicuri sotto il grafo dominante ma violano i vincoli sotto strutture alternative plausibili.

Metodologia: CRC-LS-MOCBO
Il metodo proposto, CRC-LS-MOCBO (Conformal Risk-Calibrated Low-Tail Structural Multi-Objective Causal Bayesian Optimization), tratta l'incertezza strutturale come una quantità a livello decisionale piuttosto che come un passaggio di pre-elaborazione. L'algoritmo opera attraverso i seguenti componenti:

1. Generazione di Strutture Candidate: Invece di selezionare un singolo grafo, il metodo apprende un insieme di strutture causali candidate ($G = \{g_1, ..., g_K\}$) dalle campionature bootstrap di dati osservazionali. A ogni struttura viene assegnato un peso ($w_g$) basato sulla sua stabilità attraverso i campioni e sul relativo adattamento (fit).
2. Prior Condizionati al Grafo con Residui Surrogati: Per ogni grafo candidato, viene costruita una media prior causale per la risposta all'intervento. La risposta osservata è modellata come la somma di questo prior e di un termine residuo, che viene adattato utilizzando un surrogato di Processo Gaussiano (GP). Questa decomposizione consente al metodo di sfruttare la conoscenza causale pur assorbendo discrepanze sistematiche o errori di campionamento finito tramite il GP residuo.
3. Aggregazione del Rischio Asimmetrica: Il metodo aggrega le predizioni tra i candidati grafi in modo differente per obiettivi e vincoli:
   • Obiettivi: I guadagni attesi sono aggregati utilizzando i pesi strutturali (mediando tra le strutture plausibili).
   • Vincoli (Sicurezza): Viene applicata una regola di rischio strutturale a coda bassa (low-tail structural risk rule). Ciò garantisce che anche le strutture a basso peso con alto rischio predetto (violazioni dei vincoli) influenzino lo screening di sicurezza, impedendo all'ottimizzatore di ignorare grafi "avversi" ma plausibili.
4. Calibrazione Conforme Online: Per affrontare la potenziale scarsa calibrazione del surrogato residuo, un buffer conforme online viene aggiornato utilizzando punteggi di non-conformità storici. Questo termine viene aggiunto al limite superiore del vincolo strutturale, aumentando dinamicamente il margine di sicurezza quando le predizioni precedenti sottostimano i valori dei vincoli.
5. Acquisizione e Selezione: In ogni round, gli interventi candidati vengono filtrati dal limite del vincolo strutturale calibrato. Tra i candidati sicuri, il metodo seleziona l'intervento che massimizza l'incremento dell'ipervolume sicuro aggregato per rischio.

Contributi Chiave
Il documento delinea quattro contributi specifici:

1. Formulazione del Problema: Definisce un problema di intervento multi-obiettivo sicuro dove sia l'insieme degli interventi che il valore sono selezionati sotto incertezza della struttura causale candidata.
2. Aggregazione del Rischio Strutturale: Introduce una regola che permette alle strutture a basso peso ma ad alto rischio di influenzare lo screening di sicurezza, garantendo un processo decisionale conservativo.
3. Calibrazione Ibrida: Combina lo screening strutturale con un buffer conforme online che si adatta agli errori del surrogato residuo durante l'esecuzione dell'ottimizzazione.
4. Valutazione Riproducibile: Lo studio fornisce una pipeline pre-specificata e riproducibile che coinvolge 600 esecuzioni principali e 90 esecuzioni di ablazione su benchmark sintetici e semi-sintetici, con log di audit dettagliati e snapshot di configurazione.

Risultati Sperimentali
Il metodo è stato valutato su quattro benchmark (Causal-ZDT1, Causal-DTLZ2, un SEM non lineare e il benchmark semi-sintetico Sachs) sotto tre condizioni strutturali (corretta, bordo mancante e debole confondimento nascosto).

• Performance rispetto ai Baseline: In 600 esecuzioni, CRC-LS-MOCBO ha ottenuto un ipervolume sicuro medio di 4.326 con un tasso di violazione di 0.0070. Ha superato i baseline non causali (Safe Sobol e qNEHVI non causale) sia in termini di qualità finale che di sicurezza.
• Confronto con MAP-CBO: Rispetto a un baseline che utilizza un singolo prior causale MAP (MAP-CBO), CRC-LS-MOCBO ha mostrato un modesto miglioramento nell'ipervolume sicuro medio (4.326 vs 4.308) e un tasso di violazione inferiore (0.0070 vs 0.0117). Tuttavia, il documento nota che questo vantaggio non era uniforme in tutte le celle problema-struttura; l'intervallo di confidenza della differenza era positivo solo in due delle dodici celle (una rimanente positiva dopo la correzione di Holm).
• Limite Oracle: Il True-SCM Oracle (utilizzando il grafo reale) ha ottenuto un ipervolume sicuro più elevato (4.478) e un tasso di violazione inferiore (0.0033), confermando che l'incertezza strutturale comporta ancora un costo misurabile.
• Studio di Ablazione: La rimozione dei pesi dei prior ha ridotto le performance, mentre la rimozione della calibrazione conforme ha aumentato il tasso di violazione (da 0.0053 a 0.0107). Una variante "Full-structure ensemble" ha ottenuto zero violazioni, ma a un costo computazionale significativamente più elevato (619s vs 89s) e un costo di intervento maggiore, evidenziando il compromesso che CRC-LS-MOCBO cerca di bilanciare.

Significatività e Rivendicazioni
Gli autori posizionano CRC-LS-MOCBO non come un sostituto di una conoscenza causale accurata, ma come un template conservativo e riproducibile per la ricerca di interventi sicuri a budget limitato sotto incertezza strutturale.

• Rivendicazioni Modeste: Il documento dichiara esplicitamente che il metodo migliora il compromesso medio tra sicurezza e performance nei setting testati, ma non rivendica una superiorità uniforme rispetto ai baseline single-MAP in ogni scenario.
• Utilità Pratica: Il metodo è considerato più rilevante in domini in cui la conoscenza causale è parziale ma i trial non sicuri sono costosi (ad es. ricerca della dose nella medicina personalizzata, sintonizzazione delle policy di sistemi autonomi, controllo di processi industriali).
• Limitazioni: Gli autori riconoscono che la valutazione si basa su benchmark sintetici/semi-sintetici con budget sequenziali brevi (15 round) e pool di candidati finiti. Il metodo non è testato contro il confondimento nascosto avversario, e l'implementazione nel mondo reale richiederebbe una validazione specifica del dominio e assunzioni causali più forti.

In sintesi, il documento sostiene che la propagazione dell'incertezza strutturale attraverso il ciclo di ottimizzazione — specificamente tramite l'aggregazione del rischio asimmetrica e la calibrazione conforme — offre un approccio difendibile e verificabile per l'ottimizzazione multi-obiettivo sicura quando il grafo causale è imperfettamente noto.