技術要約：因果密度関数 (Causal Density Functions)

問題提起

従来の因果推論は、「グラフ手術」（エッジの削除など）後の分布全体の比較や、観測モデルと介入モデル間のカルバック・ライブラー（KL）ダイバージェンスのようなグローバルな因果強度尺度の推定に焦点を当ててきた。これらの手法はグローバルな比較には効果的であるが、点レベルにおいて、観測レジームから介入レジームへと確率質量がどのように輸送されるかを記述する、局所的かつ微分可能な対象を欠いている。さらに、既存の手法は離散的なグラフ操作や、複雑なマルチレジーム設定における連続的なソフト介入や勾配ベースの学習と互換性のないグローバルな最適化目的関数に依存していることが多い。

本論文は、因果推論における根本的な解析的問いは、「観測確率質量を介入確率質量へと輸送する、密度のような対象とは何か？」であると断じている。

手法：因果密度関数とKan–Do Calculus

核心となる提案は、因果密度関数の定義であり、これは介入法則と観測法則を比較するラドン＝ニコディム（RN）微分である。

1. 定義と較正 (Definition and Calibration)

変数 $X_i$ に対する介入について、因果密度関数 $\rho_i(z)$ は以下のように定義される：
$$\rho_i(z) = \frac{dP_{do(X_i)}}{dP_{obs}}(z)$$
ただし、介入法則 $P_{do(X_i)}$ が観測法則 $P_{obs}$ に対して絶対連続であるとする。

この定義は、基本的な較正恒等式（「RN較正恒等式」）をもたらす：
$$E_{do(X_i)}[f(Y)] = E_{obs}[f(Y)\rho_i(Z)]$$
この恒等式は、理論的な定義であると同時に、経験的な診断指標としても機能する。もし推定された密度比 $\hat{\rho}$ が正しければ、観測される期待値を $\hat{\rho}$ で重み付けすることで、介入による期待値を再現できるはずである。

2. カテゴリカルな意味論 (Kan–Do Calculus)

本論文は、Kan 拡張を用いてこれらの概念のカテゴリカルな基礎を提供している：

• 条件付け (Conditioning) は、右 Kan 拡張（保守的で極限保存的な操作）として特徴付けられる。
• 介入 (Intervention) は、左 Kan 拡張（生成的な余極限のような押し出し操作）として特徴付けられる。
• ラドン＝ニコディム微分は、これら一連の拡張の随伴三つ組を媒介する唯一の自然変換として現れる。

このKan–Do Calculusと呼ばれるフレームワークは、条件付けと介入を、互換性のある普遍的な操作として統一する。これは、測定論的な RN 微分を明示的に組み込み、観測的測度と介入的測度の間の標準的な微分として RN 密度を確立することで、「Judo Calculus」を一般化したものである。

3. 推定とスコアリング

著者らは、これらの密度を推定し、因果探索に使用するための実用的なパイプラインを提案している：

• 密度推定: 正規化流（Normalizing Flows）または密度比モデルを用いて $P_{obs}$ と $P_{do(X_i)}$ を共通のサポート上で推定し、$\hat{\rho}(z) = \exp(\log \hat{p}_{do}(z) - \log \hat{p}_{obs}(z))$ を計算する。
• 較正: モーメント・ギャップ $\Delta_f = |E_{obs}[f(Z)\hat{\rho}(Z)] - E_{do}[f(Z)]|$ を測定することで、推定値を検証する。大きなギャップは、レジームの重複不足または推定の失敗を示唆する。
• Do-curves: 観測サンプルを重み付けすることで、応答曲線 $x \mapsto E[Y | do(X_i=x)]$ を推定する。
• 有向エッジ・スコアリング: 候補となる原因 $X_i \to X_j$ をランク付けするために、$\rho_i$ で重み付けした後の $X_j$ の残差分散に基づくペアワイズ・スコア $s_{ij}$ を定義する：
  $$s_{ij} = E_{obs}\left[ \frac{\hat{\rho}_i(Z)(X_j - \hat{E}[X_j|X_i])^2}{\text{Var}(X_j)} \right]$$
  低いスコアは、より強い因果的支持を示している。
• 層のコヒーレンス (Sheaf Coherence): 複数のレジームを扱うため、異なる環境間での最大平均不一致（MMD）に基づく安定性ペナルティを組み込み、推定された構造がコヒーレントであることを保証する。

主な貢献

1. 因果密度関数の定義: 本論文は、因果効果を RN 比（$dP_{do}/dP_{obs}$）を通じて局所的に定義し、グラフの削除や分布全体のダイバージェンスに基づくグローバルな因果強度尺度と区別している。
2. 較正とスコアリングのための推定器: 因果密度の較正、do-curves、および有向エッジ・スコアのための実用的な推定器を導出し、主要な推定対象は下流のグラフそのものではなく、密度比自体であることを強調している。
3. RN–Kan の意味論: 条件付け、介入、および測度の変化を Kan 拡張として結びつけるコンパクトなカテゴリカル意味論を提供している。これは、圏論を唯一の経験的な主張とするものではない。
4. 実証的評価: 既知の真値を持つ合成システムおよび実際の摂動データセット（Sachs タンパク質シグナリング、LINCS、PISA）を用いて、成功モードと失敗モードの両方を分析しながら、フレームワークを評価している。

実験結果

本論文は、以下のドメインで推定器を評価している：

• 合成ガウス系: 因果密度推定はほぼ正確であり、RN 較正ギャップはゼロに近い（$\approx 0.001$）。これは、測度の変化と Kan 拡張の理論的な互換性を裏付けている。
• Sachs タンパク質シグナリング (S9): 本手法は、生物学的に意味のある方向（例：PKC→P38, Raf→MEK）を、小さな較正誤差（$\approx 0.01$）とともに回収している。ペアワイズ・スコア単体では密なグラフが得られるが（SHD=30）、層のコヒーレンス・ペナルティと多変量回帰を加えることで、構造は SHD=16 に改善される。
• LINCS L1000 パネル: 高度に摂動されたこの生物学的設定では、較正ギャップが増大する（$\approx 0.12$）。これは強いレジームの異質性を反映している。しかし、本手法は依然として、スパースで安定したドライバー遺伝子（例：HSPA8→CDC25B）を特定し、滑らかな do-curves を生成する。
• PISA 2022 社会経済データ: 国間のレジームを扱うストレス・テストとして使用。妥当な社会経済構造が回収される一方で、極端な国間異質性により大きな較正ギャップ（$\Delta \approx 4.0$）を示す。これは、レジームの重複が乏しい場合に意図された失敗モードが機能していることを示している。
• マルチレジーム・チェーン: ソフトな介入を伴う合成チェーン $X_1 \to \dots \to X_8$ において、密度場は方向性のあるバンドを正しく特定するが、親ノードの選択が完全なグラフ回収の制限要因となる（SHD=8, F1=0.33）。

意義と主張

本論文は、因果密度関数が、グローバルな因果強度尺度に対して、より粒度が細かく、微分可能で、局所的に解釈可能な代替案を提供すると主張している。介入を左 Kan 拡張、条件付けを右 Kan 拡張として定式化することで、本研究は、ソフトな介入や連続的なパラメータを自然に受け入れる普遍的な数学的意味論を提供する。

著者らは、較正恒等式が最も重要な診断ツールであると強調している。これにより、研究者は推定された密度比が、実際に観測される期待値を介入によるものへと輸送しているかどうかを検証できる。また、ペアワイズのエッジ・スコアラーは、純粋な構造回収においては NOTEARS や DCDI のような成熟したグラフ最適化手法にはまだ及ばない可能性があるとしつつ、主要な貢献は因果密度自体の推定と較正にあるとしている。本フレームワークは、局所的な密度比を層のコヒーレンスによって結合してグローバルに一貫した因果モデルを形成する、スケーラブルなマルチレジーム因果探索への一歩として提示されている。

本研究は、因果探索のすべての問題を解決することを目的としているのではなく、レジームの重複が良い場合には信頼性が高く、レジーム間の乖離が大きくなるにつれて予測通りに性能が低下すること（これは RN 較正ギャップによって明示的に捉えられる挙動である）を強調している。