Technische Samenvatting: Gedeeltelijk Waargenomen Structurele Causale Modellen (POSCMs)

Probleemstelling

Standaard Structurele Causale Modellen (SCMs) behandelen causale grafen doorgaans als vaste, exogene structuren waarbij mechanismen opereren op waargenomen variabelen. Veel real-world systemen—met name in de biologie, sociale wetenschappen en techniek—vertonen echter een complexere dynamiek: de interactiestructuur (randen) en de downstream-mechanismen worden medebepaald door latente contexten. In de neurowetenschappen bepaalt bijvoorbeeld het celtype van een neuron (context) zowel zijn synaptische connectiviteit (structuur) als zijn fysiologische respons (mechanisme), doch deze contexten zijn vaak slechts gedeeltelijk waargenomen of indirect afgeleid.

Huidige methoden voor causale ontdekking worstelen in dit regime omdat ze uitgaan van vaste grafen en volledig waargenomen variabelen. Wanneer vorming van structuur endogeen is aan latente processen, en wanneer slechts gedeeltelijke observaties van variabelen, contexten en randen beschikbaar zijn, falen standaard SCMs om de "wie verbindt met wie" te ontkoppelen van "hoe ze interageren". Dit artikel adresseert de kloof tussen volledig waargenomen SCMs en de realiteit van gedeeltelijk waargenomen systemen waar structuur en mechanisme verweven zijn met latente contexten.

Methodologie

1. Formalisme: Gedeeltelijk Waargenomen SCMs (POSCMs)

De auteurs introduceren Gedeeltelijk Waargenomen Structurele Causale Modellen (POSCMs), een raamwerk dat causale systemen formaliseert waarbij latente contexten ($\beta$) zowel toezicht houden op:

1. Vorming van Structuur: De stochastische generatie van gerichte randen ($A$).
2. Waarde-mechanismen: De generatie van waargenomen variabelen ($V$) langs de gerealiseerde graaf.

Het raamwerk steunt op geordende generatie (een uitbreiding van Simon's causale ordening en Barabási-Albert sequentiële knopaankomst). Het generatieve proces verloopt in twee fasen volgens een topologische orde $\tau$:

• Fase I (Structuur & Context): Voor elke knoop $i$ worden inkomende randen $A_{ji}$ getrokken uit een structuurkernel $\alpha$, geconditioneerd op de broncontext $\beta_j$. Vervolgens wordt de context $\beta_i$ gegenereerd op basis van de contexten van zijn gerealiseerde ouders. Dit verweven proces zorgt ervoor dat de algehele graaf over $(\beta, A, V)$ acyclisch blijft.
• Fase II (Mechanismen & Variabelen): Mechanismen $f_i$ worden toegewezen op basis van de lokale context $\beta_i$ en de gerealiseerde ouder-set. Tenslotte worden endogene variabelen $V_i$ gegenereerd.

Een meetmodel $O$ definieert expliciet wat wordt waargenomen (bijvoorbeeld ruisachtige $V$, latente $\beta$, of niet-waargenomen $A$), waardoor het causale proces wordt gescheiden van het observatieproces.

2. Bericht-geaugmenteerde Representatie & KAS-decompositie

Om "chirurgische" interventies op individuele randen mogelijk te maken, hanteren de auteurs een Kolmogorov-Arnold-Sprecher (KAS) rand-functionele decompositie.

• Stelling: Elk continu mechanisme kan worden weergegeven als een som van univariabele functies van zijn ouders.
• Toepassing: Dit stelt de auteurs in staat om berichtvariabelen ($M_{i \leftarrow j}$) te definiëren voor elke dyade. Het mechanisme op knoop $i$ wordt beschouwd als een aggregatie van berichten ontvangen van ouders.
• Betekenis: Deze decompositie biedt een expliciete parametrisatie van dyadische functionele bijdragen, waardoor het mogelijk wordt om interventies te definiëren die gericht zijn op één enkel randkanaal zonder de bronknoop of andere randen te wijzigen.

3. Interventiehiërarchie

POSCMs definiëren een hiërarchie van interventies die vier primitieve typen omvatten:

1. $\beta$-knoopinterventies: Het instellen van de latente context van een knoop (bijvoorbeeld het veranderen van celtype).
2. $V$-knoopinterventies: Het instellen van de waarde van een waargenomen variabele (standaard do-operator).
3. $\beta$-randinterventies: Het vervangen van de context-berichtfunctie op een specifiek kanaal.
4. $V$-randinterventies: Het vervangen van de waarde-berichtfunctie op een specifiek kanaal.

Deze hiërarchie maakt "chirurgische" manipulatie van structuur en mechanisme mogelijk, en onderscheidt POSCMs van standaard SCMs waar randinterventies vaak conceptueel zijn in plaats van operationeel.

Identificeerbaarheidstheorie

Het artikel stelt rigoureuze voorwaarden vast waaronder de componenten van een POSCM kunnen worden geïdentificeerd, met nadruk op zowel barrières als positieve resultaten.

Negatieve Resultaten (Barrières)

• Latente Contexten: Als contexten niet worden waargenomen en er geen $\beta$-niveau-interventies beschikbaar zijn, zijn de structuurkernel, contextpropagatiemechanismen en mechanismetoewijzingsoperatoren niet identificeerbaar buiten contextreparametrisatie om (Propositie 5.2). Knopniveau- ($V$) data alleen kan de symmetrie tussen verschillende context-labeling niet ontkoppelen.
• Latente Randen: Als randen niet worden waargenomen, zijn $V$-knoopinterventies ontoereikend om de effecten van $V$-randinterventies te voorspellen. Dit creëert een structuur-mechanisme verwarring waarbij een model met frequente zwakke randen observationeel equivalent is aan een model met zeldzame sterke randen onder knopniveau-interventies, maar divergeert onder randniveau-interventies (Lemma 5.3).

Positieve Resultaten

• Kernel-identificeerbaarheid: Onder specifieke aannames (context/waarde uitlezen, gezamenlijke $\beta$-knoop- en $V$-knoop-interventie dekking, en een op sondering gebaseerde structuuruitlezing) zijn de populatiekernels (structuurkernel $\alpha$, contextpropagatie $\phi$, en mechanismeoperator $\Gamma$) identificeerbaar (Stelling 5.4).
• Dyadische Bericht-identificeerbaarheid: Met rijkere toegang (inclusief rand-berichtinterventies of gepaarde-wereld herhaling) kunnen de specifieke dyadische berichtprimitieven worden geïdentificeerd tot op een representatiegauge (Stelling C.3).

Experimentele Validatie

De auteurs valideren hun theoretische voorspellingen met behulp van een biofysisch gedetailleerde virtuele menselijke retinasimulator (NEURON). De retina fungeert als een natuurlijke POSCM waarbij celtypen (latente $\beta$) connectiviteit en synaptische fysiologie bepalen.

1. Experiment 1 (Niet-identificeerbaarheid zonder $\beta$-interventies): De auteurs construeerden "tweeling" retinale modellen waarbij celtype-labels en synaptische regels werden omgewisseld. Onder observationele data en $V$-knoopinterventies (spanningsklemmen) waren de vuuringsfrequentiemetingen niet te onderscheiden (KS-test $p > 0.9$), wat empirisch de reparametrisatiesymmetrie bevestigt die wordt voorspeld door Propositie 5.2.
2. Experiment 2 (Structuur-mechanisme Verwarring): Twee modellen werden gekalibreerd om een identieke gemiddelde synaptische drive te hebben onder knopniveau-klemmen (één met hoge dichtheid/lage geleidbaarheid, één met lage dichtheid/hoge geleidbaarheid). Hoewel knopniveau-interventies vergelijkbare responsen opleverden, onthulden randniveau-interventies (het verstoren van specifieke synapsen) significante discrepanties (hogere MMD), wat Lemma 5.3 valideert.
3. Experiment 3 (Kernel-identificeerbaarheid): Door context te doorlopen (variëren van retinale excentriciteit om celtype-samenstelling te veranderen) en waarden (spanningsklemmen), slaagden de auteurs erin de context-afhankelijke populatiesamenstelling en de sigmoidale synaptische transfercurve (BC $\to$ RGC) te herstellen, consistent met Stelling 5.4.

Belangrijkste Bijdragen & Betekenis

1. Formeel Raamwerk: Het artikel biedt het eerste formele raamwerk (POSCMs) dat vorming van structuur behandelt als een endogeen causaal mechanisme gedreven door latente contexten, en dat rekening houdt met gedeeltelijke waarneembaarheid van zowel structuur als context.
2. Interventievocabulaire: Het introduceert een nieuwe interventiehiërarchie die randniveau-operaties omvat, mogelijk gemaakt door een KAS-gebaseerde bericht-geaugmenteerde representatie. Dit maakt "chirurgische" causale manipulaties mogelijk die eerder niet gedefinieerd waren in standaard SCMs.
3. Identificeerbaarheidsdiagnostiek: Het werk biedt niet alleen positieve garanties, maar diagnoseert expliciet faalmodi (latente-context symmetrieën en latente-rand verwarring). Het verduidelijkt precies welke interventiefamilies nodig zijn om structuur van mechanisme te ontkoppelen.
4. Empirisch Bewijs van Concept: De virtuele retina-experimenten demonstreren dat deze theoretische barrières en oplossingen zich manifesteren in realistische biofysische systemen, en tonen aan dat herstel op kerniveau haalbaar is onder de voorgestelde uitlees- en dekkingaannames.

De auteurs concluderen dat POSCMs SCMs generaliseren naar een wereld die dichter bij de realiteit ligt, waar interactiestructuren geen vaste steigers zijn, maar dynamische, context-afhankelijke uitkomsten waarover kan worden geredeneerd en waarop kan worden ingegrepen.