技術的サマリー：SCOUT – 未知のターゲットを持つソフト介入下での循環的因果発見

1. 問題定義

因果発見は、データからシステムの背後にある因果構造を推論することを目的としている。しかし、既存のアルゴリズムは複雑な実世界システムに適用される際、重大な限界に直面している。現在の大多数の手法は、以下の 3 つの制限的な仮定に依存している。

1. 非循環性: 背後にある因果グラフは有向非循環グラフ（DAG）であり、生物学的および経済的システムで一般的なフィードバックループを無視している。
2. ガウス性: 外生ノイズ変数はガウス分布であると仮定されており、これは実世界の分布の複雑さを捉えることができないことが多い。
3. 既知の介入ターゲット: 介入実験において標的とされた特定の変数は既知であると仮定されているが、多くの実用的なシナリオ（例：ハイスループット生物学的スクリーニング）では、これらのターゲットは未知である。

さらに、これらの課題を個別に扱う既存の手法は、それらを組み合わせることに失敗することが多い。例えば、循環グラフを扱う手法は線形性またはハード（外科的）介入を仮定することが多く、一方、ソフト介入を扱う手法は非循環性または既知のターゲットを仮定することが多い。本論文は、非線形かつ循環的な因果関係を、介入ターゲットが未知であり、かつノイズが非ガウス性であるソフト介入データから学習するという課題に取り組む。

2. 手法：SCOUT フレームワーク

著者は、因果発見をデータの対数尤度を最大化する連続最適化問題として定式化する新しいフレームワークSCOUTを提案する。このフレームワークは、循環、非線形性、および未知のターゲットという特定の課題に対処するために、いくつかの高度なコンポーネントを統合している。

2.1. 循環を伴う構造方程式モデル（SEM）

システムは、有向サイクルを許容する構造方程式モデル（SEM）を用いてモデル化される。
$$X = f(X) + \epsilon$$
ここで、$X$は確率変数を、$f$は非線形な因果メカニズムを、$\epsilon$は外生ノイズを表す。システムが適切に定義され、平衡条件下で一意の解を持つことを保証するため、著者は因果メカニズム$f$が**縮小写像（contractive）**であると仮定する。これにより、可逆的な前方写像 $X \mapsto \epsilon = (id - f)(X)$ の定義が可能となる。

2.2. ソフト介入のモデル化

このフレームワークは、ノードとその親との接続性が維持されるが、因果メカニズムまたはノイズ特性が変化するソフト介入を扱う。$K$個の実験（ターゲット未知）におけるモデルは以下のように表される。
$$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$$
ここで、$U_k$は実験$k$において介入されていない変数を示す対角行列である。重要なのは、$U_k$（したがって介入ターゲット）がグラフ構造とともに学習されるべき未知のパラメータとして扱われる点である。

2.3. 非ガウス性ノイズに対する正規化フロー

非ガウス性ノイズを扱い、因果メカニズムを学習するために、SCOUT は 2 つの段階で正規化フローを採用する。

1. 縮小残差フロー: 因果メカニズム$f$はニューラルネットワークによってパラメータ化される。解の存在に必要な縮小性の仮定を満たすため、ネットワークの重みはスペクトル正規化によって制約される。グラフの隣接行列は、Gumbel-softmax 緩和を通じて学習される。
2. ニューラルスプラインフロー（NSF）: ノイズ$\epsilon$が非ガウス性である可能性があるため、フレームワークは区分的有理二次 CDF 変換（ニューラルスプラインフロー）を用いて、ノイズ$\epsilon$を標準正規分布$z$にマッピングする。これにより、モデルは複雑なノイズ分布を捉えつつ、扱いやすい尤度計算を維持できる。

2.4. 未知ターゲットの推論

未知の介入ターゲットを特定するために、SCOUT は介入ターゲット行列$T^I \in \{0, 1\}^{K \times d}$を導入する。グラフの隣接行列と同様に、$T^I$の要素は Gumbel-softmax 分布からサンプリングされ、ストレートスルー勾配推定を通じて最適化される。スパースな介入ターゲットを促すために、スパース性正則化子が適用される。

2.5. 最適化とスコア関数

目的は、正則化された対数尤度スコア関数を最大化することである。
$$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$$
循環システムにおけるヤコビアンの対数行列式の計算は計算上困難である。SCOUT は、対数行列式のべき級数展開（Neumann 級数）に基づく不偏推定量、Hutchinson トレース推定量、および不偏性を保証するためのランダム切り捨て戦略を組み合わせることで、これを解決する。

3. 主要な貢献

本論文は、以下の具体的な貢献を行う。

• 新規フレームワーク: SCOUT は、非線形メカニズム、有向サイクル、非ガウス性加算ノイズ、および未知のターゲットを持つソフト介入を同時に許容する最初のフレームワークである。
• 理論的保証: 著者は、縮小性と忠実性の仮定の下で、提案されたスコア関数の厳密な最大化が、真のグラフの介入同値クラスと真の介入ファミリーを同定することを証明している。
• スケーラブルなアーキテクチャ: 連続最適化と正規化フローを利用することで、離散的な因果発見に典型的な組み合わせ探索空間を回避している。
• 包括的な評価: このフレームワークは、合成データおよび実世界データセットの両方において、最先端の手法（NODAGS-Flow、LLC、BACKSHIFT）と比較してベンチマーク評価されている。

4. 実験結果

著者は、SCOUT を合成データおよび 2 つの実世界データセット（Perturb-CITE-seq（遺伝子発現データ）とSERGIO（シミュレートされた単一細胞遺伝子発現））で評価した。

4.1. 合成データのパフォーマンス

• グラフ回復: SCOUT は、ガウス、指数、Gumbel ノイズ、およびシフト、スケール、ノイズ関数介入を含む様々な設定において、ほぼ完璧なグラフ回復（AUPRC $\approx$ 1.0）を達成した。特に、他の手法が失敗または劣化する非ガウス性および循環的な設定において、ベースラインを大幅に上回った。
• ターゲット回復: SCOUT は未知の介入ターゲットを正常に回復し、シフトおよびスケール介入に対して完璧な AUPRC を達成した。「ノイズ関数」介入では（分布シフトが限定的なため）パフォーマンスが低下したが、それでも BACKSHIFT ベースラインを上回った。
• スケーラビリティ: ノード数が 10 から 70 に増加しても、SCOUT は高いパフォーマンスを維持したが、BACKSHIFT や LLC などのベースラインは大幅に劣化した。
• アブレーション研究: ニューラルスプラインフロー（NSF）層を除去すると、非ガウス性ノイズにおいてパフォーマンスが大幅に低下し、複雑なノイズ分布のモデル化には NSF が不可欠であることが確認された。

4.2. 実世界データ

• Perturb-CITE-seq: 遺伝子制御ネットワークデータにおいて、SCOUT は異なる細胞条件（共培養、コントロール、IFN-$\gamma$）において、NODAGS-Flow や LLC と比較して優れた予測性能（介入対数尤度負値で測定）を示した。これは、非ガウス性ノイズを考慮することが生物学的システムにおける予測精度を向上させることを示唆している。
• SERGIO: 実世界に近いシミュレーションにおいて、SCOUT はほぼ完璧な介入ターゲット回復（AUPRC 0.978）を達成し、真のメカニズムが厳密に縮小写像ではなかったにもかかわらず、グラフ同定においてベースラインを上回った。

5. 意義と主張

本論文は、SCOUT が現実的な実験設定における因果発見の範囲を大幅に拡大すると主張している。非循環性、ガウス性、既知のターゲットという仮定を緩和することで、このフレームワークは、生物学やシステム工学などの分野で一般的に見られるフィードバックループと不均質なノイズを持つ複雑なシステムの分析を可能にする。

著者は、彼らのアプローチが真のグラフのマルコフ同値クラスと介入ターゲットを回復するための一貫性のある手法を提供することを強調している。また、解の存在を確保するための縮小メカニズムの必要性や、介入が最小限の分布変化を引き起こす場合（例：ノイズ関数介入）のターゲット回復の難しさなどの限界を認めている。将来の課題として、交絡因子の処理、より現実的な測定ノイズモデル、および大規模なグラフモデルへのスケーリングが含まれることが提案されている。

本論文は、SCOUT が現代の科学データでよく見られる複雑で循環的かつ非ガウス性のシステムに因果発見を適用可能にするための重要な一歩であると結論づけている。