🤖 machine learning

SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets

Het artikel stelt SCOUT voor, een nieuw raamwerk dat gebruikmaakt van normaliserende stromen om niet-lineaire cyclische causale structuren te ontdekken en onbekende interventiedoelen te identificeren uit zachte interventiedata, en dat bestaande state-of-the-art-methoden overtreft door algemene aannames zoals acycliciteit, Gaussisch ruis en bekende interventiedoelen te versoepelen.

Oorspronkelijke auteurs: Alpar Turkoglu, Muralikrishnna G. Sethuraman, Faramarz Fekri

Gepubliceerd 2026-05-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alpar Turkoglu, Muralikrishnna G. Sethuraman, Faramarz Fekri

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die probeert uit te zoeken hoe een complexe machine werkt. Je hebt een doos vol tandwielen, hendels en draden (variabelen), en je wilt een kaart tekenen die aangeeft welk deel welk ander deel duwt. Dit heet causale ontdekking.

Meestal hebben detectives een paar regels die hun werk makkelijker maken:

De machine beweegt alleen vooruit (geen lussen waarbij A B duwt, wat C duwt, wat A weer duwt).
De machine is stil en voorspelbaar (Gaussian ruis).
Wanneer ze de machine prikkelen om te zien wat er gebeurt, weten ze precies welke knop ze hebben ingedrukt (bekende interventiedoelen).

Maar in de echte wereld zijn machines rommelig. Ze hebben feedbacklussen (cycli), ze zijn luidruchtig, en soms prik je ze zonder precies te weten welke knop je hebt geraakt. De meeste bestaande detective-tools falen wanneer deze "wereldse" regels worden geschonden.

Daar komt SCOUT (Soft Causal discovery Under Unknown Targets) om de hoek kijken. Denk aan SCOUT als een superintelligente, flexibele detective die het mysterie kan oplossen, zelfs als de machine lussen heeft, luidruchtig is, en de detective blinddoek draagt wat betreft welke knop is ingedrukt.

Hier is hoe SCOUT werkt, opgesplitst in eenvoudige concepten:

1. De "Zachte" Prik versus de "Harde" Slag

Stel je voor dat je wilt zien hoe een motoraandrijving reageert.

Harde Interventie: Je slaat een specifiek onderdeel kapot met een hamer. Het breekt en alles wat ermee verbonden is, stopt met werken. Dit is makkelijk te zien, maar het is destructief.
Zachte Interventie (Wat SCOUT gebruikt): Je duwt een onderdeel zachtjes aan of verandert de olie. De motor blijft draaien, maar hij zoemt anders. De verbindingen tussen de onderdelen zijn er nog steeds, maar het gedrag verandert lichtjes.
Het Probleem: SCOUT moet de kaart van de motor en raden welk onderdeel je hebt aangeraakt, zelfs al heb je het niet verteld.

2. De "Vormveranderende" Kaart (Normalizing Flows)

Om de motor te begrijpen, gebruikt SCOUT een speciaal soort wiskundig gereedschap dat Normalizing Flows heet.

De Analogie: Stel je voor dat de data van de machine een vreemde, klontige blob klei is. SCOUT wil deze blob in een perfecte, gladde bol veranderen (een standaardvorm) zodat deze makkelijk te analyseren is.
Hoe het helpt: SCOUT gebruikt twee soorten "kleibewerkers":
- Contractive Residual Flows: Deze werken als een compressiemachine die de data samendrukt zonder het te scheuren, zodat de machine niet vastloopt in een lus die nooit eindigt.
- Neural Spline Flows: Deze zijn als flexibele, rekbaar rubberen banden. Ze kunnen de "klei" rekken en draaien om bijna elke vreemde vorm (niet-Gaussian ruis) te passen. Hierdoor kan SCOUT rommelige, onvoorspelbare data verwerken die andere tools niet aankunnen.

3. Raden van het Onbekende (Het "Wie Drukte Wat?"-Probleem)

Omdat SCOUT niet weet welke knop tijdens de experimenten is ingedrukt, moet het raden.

De Analogie: Stel je voor dat je een goochelshow bekijkt waarbij de goochelaar de uitkomst van een truc verandert, maar je weet niet welke kaart hij heeft verwisseld. SCOUT houdt een "scorekaart" bij voor elke mogelijke kaartverwisseling. Het probeert verschillende combinaties, ziet welke het meest logisch is voor de data, en werkt zijn gok bij totdat het de juiste vindt.
Het doet dit tegelijkertijd terwijl het de kaart van de machine tekent. Het leert de kaart en de lijst met duwtjes tegelijkertijd.

4. De "Lus"-Uitdaging

De meeste tools gaan ervan uit dat de machine een rechte lijn is (A → B → C). Maar echte systemen hebben vaak lussen (A → B → C → A).

De Analogie: Stel je voor dat er een gesprek is waarbij persoon A met B praat, B met C, en C terug met A. Als je dit probeert te tekenen als een rechte lijn, raak je in de war.
SCOUT is specifiek gebouwd om deze circulaire gesprekken aan te kunnen. Het gebruikt wiskunde om ervoor te zorgen dat het systeem, zelfs met deze lussen, stabiliseert in een stabiele toestand (equilibrium) die geanalyseerd kan worden.

5. Werkte Het? (De Resultaten)

De auteurs hebben SCOUT op twee manieren getest:

Fake Data (Synthetisch): Ze bouwden nep-machines met bekende kaarten en bekende duwtjes, verbergden vervolgens de antwoorden om te zien of SCOUT ze kon vinden. SCOUT was ongelooflijk nauwkeurig, vaak een perfecte score behalend, zelfs als de data luidruchtig was of de duwtjes onbekend. Het versloeg andere top-detective-tools.
Echte Data (Genennetwerken): Ze gebruikten echte data uit de biologie (genen die in cellen interageren). Omdat we geen "perfecte kaart" hebben voor deze genen, testten ze of SCOUT kon voorspellen wat er zou gebeuren als je een gen veranderde. SCOUT voorspelde de uitkomsten beter dan de andere tools, wat bewees dat het de relaties correct had geleerd.

Samenvatting

SCOUT is een nieuw hulpmiddel dat wetenschappers in staat stelt complexe, lussen bevattende systemen (zoals genen of ecosystemen) in kaart te brengen, zelfs wanneer:

De data rommelig en onvoorspelbaar is.
Het systeem feedbacklussen heeft.
Ze niet precies weten welk deel van het systeem ze tijdens experimenten hebben veranderd.

Het doet dit door flexibele wiskundige "beeldhouwers" te gebruiken om de data opnieuw te vormen en een slim radspel om tegelijkertijd de kaart en de experimenten te achterhalen.

Technische Samenvatting: SCOUT – Cyclische Causale Ontdekking onder Zachte Interventies met Onbekende Doelen

1. Probleemstelling

Causale ontdekking heeft tot doel de onderliggende causale structuur van een systeem uit data af te leiden. Echter, bestaande algoritmen ondervinden aanzienlijke beperkingen bij toepassing op complexe, real-world systemen. De meeste huidige methoden rusten op drie restrictieve aannames:

Acyklikiteit: De onderliggende causale graaf is een Gerichte Acyclische Graaf (DAG), waarbij feedbacklussen die veel voorkomen in biologische en economische systemen worden genegeerd.
Gaussianiteit: Exogene ruisvariabelen worden verondersteld Gaussisch te zijn, wat vaak faalt om de complexiteit van real-world verdelingen te vangen.
Bekende Interventiedoelen: De specifieke variabelen die tijdens interventie-experimenten worden aangepakt, worden verondersteld bekend te zijn, terwijl deze doelen in veel praktische scenario's (bijvoorbeeld high-throughput biologische screens) onbekend zijn.

Bovendien falen bestaande methoden die deze kwesties individueel aanpakken vaak om ze te combineren. Bijvoorbeeld, methoden die cyclische grafen hanteren, veronderstellen vaak lineariteit of harde (chirurgische) interventies, terwijl die welke zachte interventies hanteren vaak acyklikiteit of bekende doelen veronderstellen. Dit artikel adresseert de uitdaging om niet-lineaire, cyclische causale relaties te leren uit zachte interventiedata waarbij de interventiedoelen onbekend zijn en de ruis niet-Gaussisch is.

2. Methodologie: Het SCOUT Kader

De auteurs stellen SCOUT voor, een nieuw kader dat causale ontdekking formuleert als een continue optimalisatieprobleem dat de data log-likelihood maximaliseert. Het kader integreert verschillende geavanceerde componenten om de specifieke uitdagingen van cycli, niet-lineariteit en onbekende doelen aan te pakken.

2.1. Structurele Vergelijkingsmodellen (SEM) met Cycli

Het systeem wordt gemodelleerd met behulp van een structureel vergelijkingmodel (SEM) dat gerichte cycli toestaat:
$X = f(X) + \epsilon$
waarbij $X$ de stochastische variabelen voorstelt, $f$ de niet-lineaire causale mechanismen voorstelt, en $\epsilon$ exogene ruis voorstelt. Om te waarborgen dat het systeem goed gesteld is en een unieke oplossing toestaat onder evenwichtscondities, veronderstellen de auteurs dat het causale mechanisme $f$ contracterend is. Dit maakt de definitie mogelijk van een inverteerbare voorwaartse afbeelding $X \mapsto \epsilon = (id - f)(X)$ .

2.2. Modellering van Zachte Interventies

Het kader behandelt zachte interventies, waarbij de connectiviteit van een knoop met zijn ouders behouden blijft, maar het causale mechanisme of de ruiskarakteristieken veranderen. Voor $K$ experimenten met onbekende doelen wordt het model uitgedrukt als:
$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$
Hierbij is $U_k$ een diagonaalmatrix die aangeeft welke variabelen niet worden aangepakt in experiment $k$ . Cruciaal is dat $U_k$ (en dus de interventiedoelen) wordt behandeld als een onbekende parameter die samen met de graafstructuur moet worden geleerd.

2.3. Normaliserende Stromen voor Niet-Gaussische Ruis

Om niet-Gaussische ruis te hanteren en de causale mechanismen te leren, hanteert SCOUT Normaliserende Stromen in twee fasen:

Contractieve Residuale Stromen: Het causale mechanisme $f$ wordt geparametriseerd door een neurale netwerks. Om aan de contractiviteitsaanname te voldoen die vereist is voor oplosbaarheid, worden de netwerkweegsels beperkt via spectrale normalisatie. De benvolledigheidsmatrix van de graaf wordt geleerd via een Gumbel-softmax relaxatie.
Neurale Spline Stromen (NSF): Aangezien de ruis $\epsilon$ niet-Gaussisch kan zijn, gebruikt het kader een stuksgewijze rationele kwadratische CDF-transformatie (Neurale Spline Flow) om de ruis $\epsilon$ af te beelden op een standaard normale verdeling $z$ . Dit stelt het model in staat complexe ruisverdelingen te vangen terwijl de hanteerbaarheid van de likelihood-berekening behouden blijft.

2.4. Inferentie van Onbekende Doelen

Om onbekende interventiedoelen te identificeren, introduceert SCOUT een interventiedoelmatrix $T^I \in \{0, 1\}^{K \times d}$ . Net als de benvolledigheidsmatrix van de graaf worden de ingangen van $T^I$ gesampled uit een Gumbel-softmax verdeling en geoptimaliseerd via directe gradiëntschattings. Een sparsiteitsregularisator wordt toegepast om sparsere interventiedoelen te bevorderen.

2.5. Optimalisatie en Scorefunctie

Het doel is om een geregulariseerde log-likelihood scorefunctie te maximaliseren:
$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$
Het berekenen van de log-determinant van de Jacobiaan voor cyclische systemen is computationeel uitdagend. SCOUT adresseert dit met behulp van een onbevooroordeelde schatter gebaseerd op de machtreeksontwikkeling van de log-determinant (Neumann-reeks), gecombineerd met de Hutchinson-sporenschatting en een strategie voor willekeurige truncatie om onbevooroordeeldheid te waarborgen.

3. Belangrijkste Bijdragen

Het artikel levert de volgende specifieke bijdragen:

Nieuw Kader: SCOUT is het eerste kader dat gelijktijdig niet-lineaire mechanismen, gerichte cycli, niet-Gaussische additieve ruis, en zachte interventies met onbekende doelen accommoderen.
Theoretische Waarborgen: De auteurs bewijzen dat exacte maximalisatie van de voorgestelde scorefunctie de interventieve equivalentieklasse van de grond-waarheid graaf en de grond-waarheid interventiefamilie identificeert, onder aannames van contractiviteit en trouw.
Schaalbaar Architectuur: Door gebruik te maken van continue optimalisatie en normaliserende stromen, vermijdt de methode de combinatorische zoekruimte die typisch is voor discrete causale ontdekking.
Uitgebreide Evaluatie: Het kader wordt gebenchmarkt tegen state-of-the-art methoden (NODAGS-Flow, LLC, BACKSHIFT) op zowel synthetische als real-world datasets.

4. Experimentele Resultaten

De auteurs evalueerden SCOUT op synthetische data en twee real-world datasets: Perturb-CITE-seq (genexpressiedata) en SERGIO (gesimuleerde single-cell genexpressie).

4.1. Prestaties op Synthetische Data

Gratherking: SCOUT bereikte een bijna perfecte grafherstel (AUPRC $\approx$ 1.0) over verschillende settings die Gaussische, Exponentiële en Gumbel-ruis omvatten, evenals shift-, schaal- en ruizige functie-interventies. Het presteerde significant beter dan baselines, met name in niet-Gaussische en cyclische settings waar andere methoden faalden of verslechterden.
Doelherstel: SCOUT herstelde succesvol onbekende interventiedoelen, met een perfecte AUPRC voor shift- en schaalinterventies. Hoewel de prestaties daalden voor "ruizige functie"-interventies (vanwege beperkte verdelingsverschuivingen), presteerde het nog steeds beter dan de BACKSHIFT-baseline.
Schaalbaarheid: Naarmate het aantal knopen toenam van 10 naar 70, behield SCOUT hoge prestaties, terwijl baselines zoals BACKSHIFT en LLC aanzienlijke verslechtering vertoonden.
Ablatiestudies: Het verwijderen van de Neural Spline Flow (NSF)-laag resulteerde in een aanzienlijke daling van de prestaties voor niet-Gaussische ruis, wat de noodzaak van NSF bevestigt voor het modelleren van complexe ruisverdelingen.

4.2. Real-World Data

Perturb-CITE-seq: Op data van genregulatienetwerken toonde SCOUT superieure voorspellende prestaties (gemeten door Interventionele Negatieve Log-Likelihood) in vergelijking met NODAGS-Flow en LLC over verschillende celcondities (Co-cultuur, Controle, IFN- $\gamma$ ). Dit suggereert dat rekening houden met niet-Gaussische ruis de voorspellende nauwkeurigheid in biologische systemen verbetert.
SERGIO: In een simulatie die dicht bij real-world data ligt, bereikte SCOUT een bijna perfecte herstel van interventiedoelen (AUPRC 0.978) en presteerde het beter dan baselines bij graafidentificatie, zelfs hoewel het grond-waarheid mechanisme niet strikt contracterend was.

5. Betekenis en Claims

Het artikel claimt dat SCOUT de reikwijdte van causale ontdekking voor realistische experimentele settings aanzienlijk verbreedt. Door de aannames van acyklikiteit, Gaussianiteit en bekende doelen te versoepelen, maakt het kader de analyse van complexe systemen met feedbacklussen en heterogene ruis mogelijk, wat veel voorkomt in gebieden zoals biologie en systeemtechniek.

De auteurs benadrukken dat hun aanpak een consistent methode biedt voor het herstellen van de Markov-equivalentieklasse van de grond-waarheid graaf en de interventiedoelen. Zij erkennen beperkingen, zoals de vereiste van contracterende mechanismen om oplosbaarheid te waarborgen en de moeilijkheid om doelen te herstellen wanneer interventies minimale verdelingsveranderingen teweegbrengen (bijvoorbeeld ruizige functie-interventies). Toekomstig werk wordt gesuggereerd om omstanders te behandelen, realistischere meetruismodellen, en schaalbaarheid naar grotere grafmodellen.

Het artikel concludeert dat SCOUT een significante stap voorwaarts betekent in het toepasbaar maken van causale ontdekking op de complexe, cyclische en niet-Gaussische systemen die vaak worden aangetroffen in moderne wetenschappelijke data.