Technische Samenvatting: PRCD-MAP

Probleemstelling

Causale ontdekking uit observationele data blijft uitdagend onder omstandigheden met beperkte steekproeven en zware ruis. Beoefenaars beschikken vaak over gedeeltelijke causale kennis uit diverse bronnen (bijvoorbeeld natuurwetten, input-outputtabellen of Large Language Models), maar deze kennis is heterogeen betrouwbaar: sommige randen zijn van hoge betrouwbaarheid, terwijl andere speculatief zijn. Bestaande methoden staan voor een breekbare afweging: ze negeren prioren volledig of leggen ze op via globaal uniforme vertrouwen (bijvoorbeeld harde maskers of vaste zachte gewichten). Starre maskering versterkt fouten wanneer prioren gedeeltelijk onjuist zijn, terwijl blind vertrouwen de prestaties verslechtert. Er ontbreekt een mechanisme om per-rand vertrouwen toe te kennen aan imperfecte prioren dat zich aanpast aan lokale betrouwbaarheid en data-bevestiging.

Methodologie: PRCD-MAP

De auteurs stellen PRCD-MAP (Prior-Regulated Calibrated Discovery via Maximum A Posteriori) voor, een kader dat leert hoeveel vertrouwen er op een imperfecte prior moet worden gesteld op basis van elke rand. De methode werkt binnen een Structural VAR (SVAR)-setting en integreert drie kerncomponenten:

1. Zachte Prior-Consumptie Laag

PRCD-MAP formuleert een MAP-doelstelling die data-trouw (Huber-verlies voor robuustheid) combineert met twee prior-gemoduleerde regularisatoren:

• Prior-Gemoduleerde $\ell_1$-Straf: De sparsiteitsstrafterm $c_{ij}(\tau)$ wordt gemoduleerd door een gekalibreerde priorwaarschijnlijkheid $\hat{P}_{ij}(\tau) Randen met hoge betrouwbaarheid ontvangen verlaagde straffen (wat behoud stimuleert), terwijl randen met lage betrouwbaarheid verhoogde straffen ontvangen.
• Prior-Gewogen $\ell_2$-Regularisator: Een Gaussische prior wordt opgelegd waarbij de precisie-maske $\Omega(\tau)$ omgekeerd evenredig is met de gekalibreerde prior. Plausibele randen ontvangen zwakke krimp; onwaarschijnlijke randen ontvangen sterke krimp naar nul.

2. Structuurbewuste Vertrouwenspropagatie

In plaats van één vertrouwensparameter per quantielbak (gegroepeerde temperatuur) toe te wijzen, leert PRCD-MAP een per-rand vertrouwensparameter $\tau_{ij}$ met behulp van een lichtgewicht Multi-Layer Perceptron (MLP).

• Invoerkenmerken: De MLP neemt een 6-dimensionaal kenmerkvector $z_{ij}$ voor elke rand, inclusief de priorwaarde, buurtstatistieken van de prior en huidige gewichtschattingen, en een prior-data-akkoordterm.
• Mechanisme: Vertrouwen wordt voortgeplant langs de prior-graf. Door data bevestigde buurten verhogen het vertrouwen voor een rand, terwijl tegenstrijdigheden het onderdrukken. Dit stelt het model in staat onderscheid te maken tussen randen in verschillende betrouwbaarheidsgemeenschappen, zelfs als ze vergelijkbare priorwaarden delen.

3. Empirische Bayes (EB) Kalibratie

Omdat de priorbetrouwbaarheid a priori onbekend is, worden de vertrouwensparameters (gegroepeerde $\tau$ of MLP-gewichten $\theta$) geleerd via een Empirische Bayes-procedure.

• Doelstelling: De EB-doelstelling minimaliseert een combinatie van een akkoordverlies (het afstemmen van de gekalibreerde prior op de randsterktes van de huidige MAP-schatting), een Laplace log-determinant-term (benadering van de marginale waarschijnlijkheid) en een regularisator.
• Veiligheidsgarantie: Het EB-mechanisme kalibreert vertrouwen automatisch. Als de prior niet-informatief is (nauwkeurigheid $\approx 0.5$), stort de geleerde vertrouwensparameter $\tau^\star$ bewezen in tot een minimumvloer ($\tau_{min}$), waardoor de prior effectief wordt genegeerd en de baseline zonder prior wordt hersteld. Als de prior accuraat is, neemt het vertrouwen toe om de prior te verscherpen.

Belangrijkste Bijdragen

1. Veilige Prior-Consumptie: PRCD-MAP biedt een $\epsilon$-veiligheidsgarantie in verwachting over een prior-generatiedistributie. Het excessieve risico is begrensd door $O(d^2/T)$, waarbij de orakel-convergentiesnelheid wordt overgenomen. Theoretisch stort de methode onder niet-informatieve prioren bewezen in tot de baseline zonder prior, wat prestatiedegradatie voorkomt.
2. Structuurbewuste Vertrouwenspropagatie: Het artikel toont aan dat per-groep vertrouwen een excessief risico van $\Omega(1/G)$ met zich meebrengt onder heterogene prior-kwaliteit. De geleerde MLP sluit deze kloof door buurtconsistentie te benutten, wat empirische winsten van +0,029 AUROC oplevert ten opzichte van per-groep baselines op CausalTime-datasets.
3. Mechanisme-Decompositie: Een vier-weg ablatie op real-world data isoleert de bijdragen van het zachte-prior-kader, EB-kalibratie, MLP-vertrouwenspropagatie en LLM-inhoud. Het EB + MLP-subblok draagt de meerderheid van de totale winst ten opzichte van baselines zoals PCMCI+.
4. Schaalbaarheid en Generalisatie: De methode schaalt tot $d=300$ variabelen (lopend in ~1,7s op GPU voor $d=100$) en breidt zich uit naar niet-lineaire settings via Neural Additive Models (NAM). Het presteert beter dan de dichtstbijzijnde soft-Bayesiaanse baseline, BayesDAG, op alle geteste CausalTime-datasets onder gematchte protocollen.

Experimentele Resultaten

• Synthetische Data: PRCD-MAP benut informatieve prioren (nauwkeurigheid 0,9) om prestaties dicht bij het orakel te bereiken, terwijl het concurrerend blijft met prior-agnostische baselines (zoals PCMCI+) onder slechte prioren (nauwkeurigheid 0,4). Het geleerde vertrouwensmechanisme zet een breekbare prior-consument om in een veilige.
• Real-World Benchmarks (CausalTime):
  • AQI & Medisch: Op datasets met semantisch benoemde variabelen zijn de door LLM gegenereerde prioren informatief. PRCD-MAP behaalt +0,123 AUROC op AQI en +0,043 AUROC op Medisch in vergelijking met PCMCI+.
  • Verkeer: Op een dataset met anonieme indices waar LLM-prioren niet-informatief zijn, attenuert PRCD-MAP automatisch (vertrouwen daalt naar $\tau_{min}$), wat gelijkstaat aan de baseline zonder prior en de prestatiedaling voorkomt die wordt gezien bij starre maskermethoden.
• Vergelijking met BayesDAG: PRCD-MAP presteert beter dan BayesDAG op elke CausalTime-dataset en cross-sectionele synthetische settings, waarbij de kloof groter wordt naarmate de prior-nauwkeurigheid toeneemt.
• Ablatie: De EB-kalibratie en MLP-vertrouwenspropagatie zijn gezamenlijk verantwoordelijk voor het grootste deel van de prestatiewinsten. De methode is robuust voor zwaarstaartige ruis (Laplace, Student-t) dankzij de Huber-verliesfunctie.

Betekenis en Claims

Het artikel stelt dat PRCD-MAP een geprincipiseerde consumptielaag voor externe prioren in causale ontdekking vestigt. De primaire betekenis ligt in het oplossen van de afweging tussen signaal en sparsiteit in imperfecte prioren:

• Het past zich automatisch aan aan prior-kwaliteit zonder handmatige tuning of kennis van de grondwaarheid van prior-nauwkeurigheid.
• Het biedt een veiligheidsgarantie op populatieniveau, waarbij wordt gegarandeerd dat de methode de prestaties niet verslechtert wanneer prioren niet-informatief zijn, een cruciale eigenschap voor real-world implementatie waar prior-betrouwbaarheid onbekend is.
• Het toont aan dat structuurbewuste vertrouwenspropagatie (leren van per-rand vertrouwen via buurtconsistentie) noodzakelijk is om heterogene prioren volledig te benutten, en beter presteert dan eenvoudigere gegroepeerde vertrouwensmechanismen.

De auteurs positioneren PRCD-MAP als een setting-agnostisch principe dat verder reikt dan temporale causale ontdekking tot cross-sectionele structuurlerening, en biedt een robuust alternatief voor zowel hard-constraint als vaste-vertrouwen soft-prior methoden.