Decentralized Causal Discovery using Judo Calculus

提供されたプレプリントに基づき、論文「Decentralized Causal Discovery Using Judo Calculus」の技術的要約を以下に記す。

問題提起

因果探索（Causal discovery）は、異なるレジーム（例：異なる環境、実験室、または介入）から得られたプールされたデータに対して頻繁に行われる。データのプーリングはサンプルサイズを増加させる一方で、異質なメカニズムを混合させ、どの因果的結論がレジームを越えて持続しているかを不明瞭にするリスクがある。逆に、各レジームに対して独立してモデルを適合させることは、不均一性を浮き彫りにするものの、ノイズの多い局所的なグラフをいかにして一貫したグローバルな構造へと結合するかという課題を残す。

本論文は、**分散型因果探索（decentralized causal discovery）**の問題、すなわち、あらかじめ指定されたレジームの集合（「カヴァー（cover）」）から、普遍的な因果構造を事前に仮定することなく、局所的な因果推定（グラフ、条件付き独立性、またはメカニズム）を集計する方法を扱う。

手法：J-Stable Discovery（「Judo Calculus」）

著者らは、J-stable discovery（通称「judo calculus」）と呼ばれる、手法に依存しないフレームワークを提案している。この手順は、レジームの集合 $E = \{e_1, \dots, e_m\}$ に対して機能し、以下のステップに従う。

1. 局所学習（Local Learning）: ベースとなる因果学習器（スコアベース、制約ベース、または勾配ベース）を、各レジーム $e \in E$ に対して独立に適用する。
2. サポート集計（Support Aggregation）: 局所的な出力（例：エッジの選択 $A(e)_{ij}$）を集計する。本論文では以下を区別している：
   • 非重み付きサポート（Unweighted Support）: カヴァー全体におけるエッジ $i \to j$ の出現頻度。
   • 介入を考慮したサポート（Intervention-Aware Support）: 決定的な修正として、子メカニズムが直接介入を受けたレジームを、その特定のエッジのサポート計算から除外する。これにより、介入前のDAGにおける真のエッジが、介入によって「切断（mutilation）」されたために誤って削除されることを防ぐ。
3. 閾値処理（Thresholding）: 集計されたサポートが閾値 $\pi$ を超える場合にエッジを保持する。著者らは、積集合（$\pi=1$）、和集合（$\pi=1/m$）、および中間的な値に対応する閾値を分析している。

理論的背景:
用語は、j-do-calculus (Mahadevan, 2025) の随伴理論に由来しており、通常の do-calculus の恒等式が互換性のある局所的因果モデルにおいて成立する場合、それらはカヴァーを越えて降下することを確立している。しかし、著者らは、自らの統計的アルゴリズムは、この局所からグローバルへのパターンの近似であることを明示している。高い経験的エッジ頻度は、再現性の証拠にはなるが、さらなる仮定なしには、d-separation を証明したり、調整セットを特定したり、あるいはエッジの向きを決定したりするものではない。

アルゴリズムの実装:
本フレームワークは、以下の3種類の学習器によって具体化されている：

• スコアベース（Score-based）: GES（Greedy Equivalence Search）の変種。これには、構造的正規化（CGES）や、環境間のメカニズムの変化を罰する不変性正規化（TCES）が含まれる。
• 制約ベース（Constraint-based）: $\psi$-FCI を含む FCI の変種。局所的な部分祖先グラフ（PAG）からスケルトンと向きのマークを集計する。
• 勾配ベース（Gradient-based）: 事後的な集計またはレジーム固有のヘッドを用いた共同学習を利用した、DCDI（Differentiable Causal Discovery via Interventions）の変種。

主な貢献

1. 手法に依存しないフレームワーク: レジームのカヴァーにわたってグラフおよび条件付き独立性の推定を集計するための、分散型の手順。
2. 介入を考慮した統計量: 子メカニズムが直接置き換えられたレジームを除外するサポート統計量（式1）。これにより、介入前のDAGにおける真のエッジが誤って削除されることを回避する。
3. アルゴリズムの実装: GES、$\psi$-FCI、および DCDI を用いた具体的な実装。これには、不変性とスパース性のための特定の正規化項が含まれる。
4. 統計的保証: 明示的な反復選択の仮定の下での、サポート閾値処理に関する有限標本の集中に関する記述（命題1）。これは、再現性を保証するものであり、必ずしも因果的識別性を保証するものではないことを明確にしている。
5. 実証的分析: 手法の成功（疎な設定における構造的ハミング距離の改善）と限界（再現率の低下、レジーム選択への感度）の両方を実証する包括的な研究。

実験結果

本論文は、合成線形構造的因果モデル、および3つの実世界のデータセットを用いて手法を評価している。

• 合成データ: 分散型集計（特に積集合）は、特に疎な設定において、プーリングされた学習と比較して、より低い構造的ハミング距離（SHD）と高い精度をもたらすことが多い。しかし、これは再現率（recall）の低下という代償を伴う。
• Sachs タンパク質シグナル伝達データ: プーリングされた推定器は、積集合法と比較して、公開されている参照ネットワークに対して高い F1 スコアを達成した。積集合法は SHD を減少させたが、サポートされたエッジも削除しており、安定性フィルタリングが常に優れているわけではなく、有用な信号を捨て去る可能性があることを示している。
• LINCS 摂動シグネチャ: 集計の閾値はグラフを強力にフィルタリングした（例：428 個の和集合候補を 14 個に減少）。ゴールドスタンダードの DAG がないため、これらの結果は記述的なものである。
• OECD PISA 変数: コンポーネントからコンポジットへの関係を回復するための検証として使用され、ドメインガード（コンポジットからコンポーネントへの矢印を禁止する）が必要であることを確認した。
• 計算効率: 分散型のアプローチは、ワーカー間での並列化を可能にする。総計算量はプーリングされた実行と同等かそれ以上になる可能性があるが、ワーカーが利用可能であれば、実時間（wall-clock time）を大幅に短縮できる。

意義と主張

本論文は、その貢献に関して控えめかつ精密な立場を維持している：

• 実用的有用性: 分散型の安定性フィルタリングは、脆弱なエッジを除去し、データのサイロの背後で並列計算を可能にするために効果的である。
• 理論的限界: 本論文は、高頻度のエッジが do-calculus の前提の証明になるという主張を明示的に拒絶している。論理の方向は一方向である。互換性のあるチャートごとの因果的証明は局所からグローバルへの恒等式を導くが、その逆（高頻度 $\implies$ do-calculus の前提）は、追加の仮定なしには成立しない。
• 文脈依存性: 結果の因果的解釈は、レジームの選択、介入マスク、局所学習器、および互換性の仮定に大きく依存する。
• 改訂範囲: このバージョンでは、普遍的な Kan 拡張構成や圏論的な普遍性に関する以前の主張を意図的に削除し、それらの理論的側面は随伴する j-do-calculus の論文に委ねている。本論文は、代わりに、実用的で経験に基づいたマルチ環境発見のフレームワークに焦点を当てている。

結論として、本論文は「実用的なマルチ環境発見フレームワーク」を提示しており、監査可能な安定性フィルタと介入を考慮した補正を提供している。同時に、安定性による集計は因果的前提を捏造するものではなく、むしろ安定した局所構造を提案し評価する助けとなるものであることを、誠実に認めている。