Operationalising Relative Causal Knowledge: Backbone Identifiability from Private Reports on a Shared Outcome

技術的要約：相対的因果知識の運用化

問題提起
本論文は、相対的因果知識（Relativity of Causal Knowledge; RCK）フレームワークにおける基礎的な欠落に対処している。RCKは、異なる構造的因果モデル（SCM）を持つエージェント間で、共有された介入的に一貫した抽象化（「バックボーン」）を介して因果知識を輸送するための数学的メカニズムを提供しているが、このバックボーンの存在をあらかじめ前提としている。著者らは、この事前特定の問題を調査している：エージェントの個別の因果報告は、いつ共有されたバックボーンの値を一意に決定するのか？

具体的には、本論文は二エージェントの「共通効果（common-effect）」シナリオ（コライダー構成 $Z_\rho \to X \leftarrow Z_\sigma$）に焦点を当てている。エージェント $\rho$ は原因 $Z_\rho$ に関する私的な知識を持ち、エージェント $\sigma$ は原因 $Z_\sigma$ に関する私的な知識を持つ。両エージェントは、共有された結果 $X$ に関する因果的周辺分布を報告する。核心となる問いは、これらの局所的な単一原因報告（$P_\rho$ および $P_\sigma$）が、共有されたバックボーンの一意な結合介入カーネル $Q(H | z_\rho, z_\sigma) = P(X \in H | do(Z_\rho=z_\rho, Z_\sigma=z_\sigma))$ を特定するのに十分であるかどうかである。

手法とフレームワーク
著者らは、因果知識をネットワークの層（sheaf）および余層（cosheaf）上の切断（section）として用いることで、この問題をRCKの言語を用いて定式化している。

1. 投影制約: 局所的な報告は、他方のエージェントの私的な原因を積分除去することによる、結合バックボーン・カーネル $Q$ の投影としてモデル化される：
   $$P_\rho(\cdot | z_\rho) = \int Q(\cdot | z_\rho, z_\sigma) P_{Z_\sigma}(dz_\sigma)$$
   $$P_\sigma(\cdot | z_\sigma) = \int Q(\cdot | z_\rho, z_\sigma) P_{Z_\rho}(dz_\rho)$$
2. 識別性分析: この問題は逆問題として扱われる。固定された周辺分布 $(P_\rho, P_\sigma)$ が与えられたとき、適合する結合カーネルの集合は単一の要素に収束するか？
3. 摂動による議論: 非識別性を証明するために、著者らは、同一の周辺分布を生み出すが、同時介入においては異なる一連の異なる結合カーネルを構成する。これは、周辺化によって消失する「隠れた相互作用」項を導入することによって達成される。

主要な結果

1. 典型的非識別性（定理1）
標準的な仮定（適合するバックボーンの存在、非退化な私的原因、および非自明な中心化方向、ならびに局所的なオーバーラップ／下限条件）の下で、著者らは、私的な因果周辺分布は一意なバックボーンを特定しないことを証明している。

• メカニズム: $P_\rho$ および $P_\sigma$ と全く同じ私的報告を誘導する、一連の異なるカーネル $\{Q_t\}$ が存在する。しかし、$t \neq s$ のとき、これらのカーネルは、ある $(z_\rho, z_\sigma)$ における結合介入分布に関して相違する。
• 解釈: この曖昧さは、「隠れた相互作用の自由度」から生じる。エージェントは真実の局所的要約を交換できるが、これらの要約は相互作用項（例：効果が補償的か、加法的か、あるいは相補的か）を指定することには失敗する。その結果、RCK輸送に必要なエッジ値 $\chi_\tau$ は未決定となる。

2. 例証的な証拠
論文では、この非識別性の具体的な例を提示している：

• 二値ケース: 固定された行および列の合計が相互作用項を自由な状態にする $2 \times 2$ 分割表に類似している。
• ガウス型／線形ケース: 線形モデル $X = \alpha Z_\rho + \beta Z_\sigma + \gamma Z_\rho Z_\sigma + \epsilon$ において、単一原因報告は $\alpha$ と $\beta$ を特定するが、相互作用係数 $\gamma$ を特定できないまま残す。
• 連続非ガウス型: この結果は連続的な結果および非ガウス型のベースカーネルに対しても成立し、この障害が離散的またはガウス的な仮定による人工的なものではないことを示している。

3. 条件付き回復（命題2および注釈3）
著者らは、曖昧さが解消される構造的条件を特定している：**加法的分離性（Additive Separability）**である。

• 構造的仮定: もし共有された結果が $X = f_\rho(Z_\rho) + f_\sigma(Z_\sigma) + \epsilon$ を満たすならば、隠れた相互作用項は除去される。
• コミュニケーション要件: 加法性だけでは、エージェントが観測的な要約（例：残差分散）のみを伝達する場合、不十分である。著者らは、加法性の下であっても、残差の要約はバックボーンの平均応答を一意に特定しないことを示している。
• 解決策: 識別は、エージェントが因果的に特定された応答関数（$f_\rho$ および $f_\sigma$）を伝達する場合にのみ可能となる。これらの関数が共有されると、結合平均応答 $m(z_\rho, z_\sigma) = f_\rho(z_\rho) + f_\sigma(z_\sigma) + E[\epsilon]$ は一意に決定される。

意義と主張
本論文は、因果輸送の前提条件を明確にすることで、RCKの運用範囲を精緻化することを主張している。

• コミュニケーション vs. 構成: 共通効果の設定において、因果知識を共有することの主要な障壁は、単なるポリシーの構成問題ではなく、コミュニケーションの問題である。エージェントは単なる周辺統計量以上のもの、すなわち彼らの因果的応答の関数形式を伝達しなければならない。
• 曖昧さの性質: 特定された曖昧さは因果的に意味を持つ。適合するバックボーンは、すべての局所的観測および単一原因介入については一致するが、結合介入（例：教師の質が近隣の不利を増幅させるのか、それとも補償するのか）については根本的に相違する可能性がある。
• 貢献の範囲: 著者らは、この研究を既存の抽象化文献の上流に位置づけている。既存の研究は、共有された抽象化が「与えられた」場合にどのように知識を輸送するかを研究しているが、本論文は、その抽象化の対象（バックボーンのエッジ値）が私的データから識別可能であるかどうかを調査している。これは、エキスパートの集約（完全なモデルを統合する）やデータ融合（処置効果をプールする）とは異なり、RCKのエッジオブジェクトの識別性に焦点を当てている。

教育の付加価値の例において、本論文は、特定の因果的応答関数を伝達しない限り、政策立案者は「より良い教師が近隣の不利を補償するのか」を判断できないことを示している。なぜなら、複数の相互作用構造（補償的、加法的、または相補的）が、同一の局所的報告と矛盾しないままであるからである。