Technische Samenvatting: Contrfactuele Identificeerbaarheid Buiten Globale Monotonie

1. Probleemstelling

Structurele Causale Modellen (SCM's) bieden een uniforme semantiek voor interventies en contrafactuelen. Er blijft echter een fundamentele uitdaging bestaan: contrafactuele identificeerbaarheid. Observationele data alleen is vaak onvoldoende om contrafactuele uitkomsten uniek te bepalen, tenzij er sterke aannames worden opgelegd aan de klasse van mechanismen.

Historisch gezien hebben positieve identificeerbaarheidsresultaten vertrouwd op globale monotonie (bijvoorbeeld additief ruis, post-niet-lineaire structuren of monotone driehoekige parametriseringen). Deze aannames waarborgen dat de relatie tussen exogene variabelen en endogene uitkomsten een vaste oriëntatie behoudt.

Het artikel identificeert een kritiek gat in belichaamde interactiesystemen (bijvoorbeeld robotica): fysieke fenomenen zoals contact, wrijving en geometrie veroorzaken vaak contextafhankelijke tekenomkeringen. In dergelijke scenario's kan dezelfde exogene verstoring tegenovergestelde reacties opleveren, afhankelijk van de ouderstaat (bijvoorbeeld een duw die in de ene context voorwaartse beweging veroorzaakt en in de andere achterwaartse beweging). Globale monotonie is te restrictief voor deze systemen, maar het volledig verwijderen van structuur herstelt contrafactuele ambiguïteit. De centrale vraag is: Welke structurele beperkingen zijn noodzakelijk om contrafactuele identificeerbaarheid te behouden zodra globale monotonie wordt verlaten?

2. Methodologie en Theoretisch Kader

2.1 De Voorgestelde Modelklasse: NM-TM-SCM

De auteurs introduceren Niet-Monotone Driehoekige Structurele Causale Modellen (NM-TM-SCM). Deze klasse behoudt de recursieve driehoekige structuur van standaard SCM's, maar versoepelt de beperking van globale monotonie. In plaats daarvan worden twee specifieke voorwaarden opgelegd:

1. Mechanisme-gewijze Inverteerbaarheid: Voor elk mechanisme $i$ en elke vaste oudercontext $v_{<i}$ is de afbeelding van de exogene variabele $u_i$ naar de endogene variabele $v_i$ een bijectie. Dit waarborgt dat feitelijke abductie (het herstellen van de exogene staat uit observaties) uniek is, gegeven de ouders.
2. Contextonafhankelijke Inverse Transport: Voor twee observatie-equivalente modellen $M$ en $M'$ moet de compositie van hun inverse mechanismen, $(f'_i(v_{<i}, \cdot))^{-1} \circ f_i(v_{<i}, \cdot)$, onafhankelijk zijn van de oudercontext $v_{<i}$.

2.2 Theoretische Bijdragen

Het artikel vestigt een theoretische keten die deze voorwaarden koppelt aan volledige contrafactuele identificeerbaarheid:

• Lemma 1: Mechanisme-gewijze inverteerbaarheid impliceert dat de globale oplossingskaart $\Gamma_M: \Omega_U \to \Omega_V$ een bijectie is.
• Stelling 1: Binnen de klasse van gedeelde-orde driehoekige SCM's is contextonafhankelijke inverse transport equivalent aan exogene isomorfie. Exogene isomorfie betekent dat twee observationeel equivalente modellen dezelfde latente werelden delen, tot op een coördinatenverandering in de exogene ruimte die niet varieert met de context.
• Stelling 2: Exogene isomorfie impliceert volledige contrafactuele identificeerbaarheid. Als twee modellen exogeen isomorf zijn, moeten ze het eens zijn over alle contrafactuele queries.
• Propositie 1 (Scherpte): De auteurs leveren een constructief tegenvoorbeeld dat aantoont dat lokale inverteerbaarheid alleen onvoldoende is. Als het inverse transport afhankelijk is van de context (d.w.z. de oriëntatie van het mechanisme omkeert op basis van ouders), kunnen observationeel equivalente modellen het oneens zijn over contrafactuelen. Dit bewijst dat contextonafhankelijke inverse transport een noodzakelijke voorwaarde is, niet slechts een handige voldoende voorwaarde.

2.3 Algorithmus: CausalInverter

Om deze theoretische voorwaarden te concretiseren, stellen de auteurs CausalInverter voor, een gestructureerd leermodel met drie kerncomponenten:

1. Driehoekige Inverteerbare Lagen: Modelleert de structurele vergelijkingen als inverteerbare stromen.
2. Contextafhankelijke Oriëntatiepoorten: Een discrete poort $s_{i,\theta}(v_{<i}) \in \{-1, +1\}$ die het mechanisme toestaat tekens om te keren op basis van de oudercontext, waardoor niet-monotonie mogelijk wordt.
3. Transport-Stabiliteitsregularisatie: Een verliesterm ($L_{tr}$) die variaties in het geleerde inverse transport over verschillende oudercontexten straft, en zo de voorwaarde van contextonafhankelijke inverse transport afdwingt.

Het trainingsdoel combineert negatieve log-waarschijnlijkheid met cyclische consistentie en regularisatoren voor transportstabiliteit.

3. Experimentele Resultaten

De auteurs evalueren CausalInverter op synthetische mechanismen en fysieke MuJoCo-interactietaken (Duwen en Deur).

3.1 Synthetische Benchmarks

• Opzet: De auteurs testten globaal monotone, drempel-omkerende en glad-omkerende mechanismen over verschillende dimensies en ruisfamilies.
• Vondsten:
  • In globaal monotone settings presteren alle gestructureerde baselines concurrerend.
  • In niet-monotone settings (waar ouder-afhankelijke oriëntatieomkeringen optreden), falen standaard baselines (ANM, monotone driehoekige, contextuele bijectieve stromen) om de contrafactuele fout te verminderen.
  • CausalInverter vermindert de Contrafactuele Gemiddelde Kwikkingsfout (CF-MSE) aanzienlijk en bereikt een hoge richtingnauwkeurigheid (~0,97) bij het herstellen van het oriëntatieveld.
  • Een continue "brug"-sweep waarbij de sterkte van niet-monotonie varieert, toont aan dat het prestatievoordeel van CausalInverter ten opzichte van monotone baselines lineair schaalt met de mate van niet-monotonie.

3.2 Fysieke Interactietaken (MuJoCo)

De auteurs vergelijken CausalInverter met een reeks op staat gebaseerde baselines (Lineaire Dynamica, MLP, Autoregressief, GRU, Transformer, Conditionele Stroom) onder een gebalanceerd contrafactueel bemonsteringsprotocol.

• MuJoCo Deur (Sterke Niet-Monotonie):

  • Deze taak vertoont sterke contextafhankelijke contactdynamica (NMS-score $\approx 0,696$).
  • CausalInverter bereikt perfecte contrafactuele herstel op gebeurtenisniveau (100% succes op de formele split) en de laagste continue contrafactuele hoekfout onder modellen die ook perfecte gebeurtenisnauwkeurigheid bereiken.
  • Het toont superieure stabiliteit over meerdere zaden aan in vergelijking met Transformer- en Conditionele Stroom-baselines.
  • Ablatiestudies bevestigen dat het verwijderen van de oriëntatiepoort de ernstigste degradatie veroorzaakt, wat de noodzaak valideert van het modelleren van contextafhankelijke omkeringen.

• MuJoCo Duwen (Zwakke Niet-Monotonie):

  • Deze taak heeft een lagere niet-monotone score (NMS $\approx 0,175$).
  • Hier overheerst de structurele bias van CausalInverter niet. Sterkere voorspellers voor lage data (bijvoorbeeld Lineaire Dynamica, MLP) blijven concurrerend of superieur.
  • De auteurs interpreteren dit als een bias-variatie grens: de structurele beperking is gunstig wanneer niet-monotonie sterk genoeg is om contrafactuele paden ambigu te maken, maar kan te sterk regulariseren wanneer de taak bijna monotoon is.

4. Betekenis en Claims

Het artikel claimt een breder identificeerbaar regime te identificeren dat ligt tussen globaal monotone driehoekige modellen en onbeperkte black-box wereldmodellen.

• Theoretisch Inzicht: Het werk toont aan dat globale monotonie niet het essentiële ingrediënt is voor contrafactuele identificeerbaarheid. In plaats daarvan is mechanisme-gewijze inverteerbaarheid gecombineerd met contextonafhankelijke inverse transport (equivalent aan exogene isomorfie) de voldoende en scherpe voorwaarde.
• Praktische Impact: Door de beperking van globale monotonie te versoepelen, maken het voorgestelde kader (NM-TM-SCM) en het CausalInverter-model betrouwbare contrafactuele redenering mogelijk in fysieke systemen waar contact en geometrie tekenomkeringen veroorzaken.
• Bewustzijn van Grenzen: Het artikel definieert expliciet de grenzen van zijn bijdrage. De structurele bias is het meest effectief in regimes met sterke tak-gevoelige niet-monotonie (zoals de Deur-taak). In zwak niet-monotone regimes (zoals Duwen) kunnen flexibele staatvoorspellers de gestructureerde aanpak overtreffen, wat een afweging benadrukt tussen causale identificeerbaarheidsbeperkingen en taakcomplexiteit.

De auteurs concluderen dat hun aanpak een parameter-efficiënte route biedt naar herstel van takken op gebeurtenisniveau in complexe fysieke interacties, en een gestructureerd alternatief biedt voor puur voorspellende wereldmodellen die causaliteitsgaranties missen.