Technische Samenvatting: Causale Dichtheidsfuncties

Probleemstelling

Causale inferentie richt zich traditioneel op het vergelijken van volledige distributies na "grafische chirurgie" (bijv. randverwijdering) of het schatten van globale causale sterkte-maten zoals de Kullback-Leibler (KL) divergentie tussen observationele en interventionele modellen. Hoewel effectief voor globale vergelijkingen, missen deze benaderingen vaak een lokale, differentieerbare entiteit die beschrijft hoe waarschijnlijkheidsmassa wordt getransporteerd van een observationeel regime naar een interventioneel regime op een puntgewijs niveau. Bovendien vertrouwen bestaande methoden vaak op discrete grafische operaties of globale optimalisatie-objectieven die mogelijk niet compatibel zijn met continue, zachte interventies of gradiënt-gebaseerd leren in complexe, multi-regime instellingen.

Het artikel stelt dat de fundamentele analytische vraag in causale inferentie is: Wat is de dichtheidsachtige entiteit die observationele waarschijnlijkheidsmassa transporteert naar interventionele waarschijnlijkheidsmassa?

Methodologie: Causale Dichtheidsfuncties en Kan–Do Calculus

De kernvoorstel is de definitie van Causale Dichtheidsfuncties, die Radon–Nikodym (RN) afgeleiden zijn die interventionele wetten vergelijken met observationele wetten.

1. Definitie en Kalibratie

Voor een interventie op een variabele $X_i$ wordt de causale dichtheidsfunctie $\rho_i(z)$ gedefinieerd als:
$$\rho_i(z) = \frac{dP_{do(X_i)}}{dP_{obs}}(z)$$
mits de interventionele wet $P_{do(X_i)}$ absoluut continu is ten opzichte van de observationele wet $P_{obs}$.

Deze definitie levert een fundamentele kalibratie-identiteit op (de "RN-kalibratie-identiteit"):
$$E_{do(X_i)}[f(Y)] = E_{obs}[f(Y)\rho_i(Z)]$$
Deze identiteit dient zowel als theoretische definitie als empirisch diagnostisch instrument. Als een geschatte dichtheidsratio $\hat{\rho}$ correct is, moet het herwegen van observationele verwachtingswaarden door $\hat{\rho}$ de interventionele verwachtingswaarden reproduceren.

2. Categorische Semantiek (Kan–Do Calculus)

Het artikel biedt een categorische fundering voor deze concepten met behulp van Kan-extensies:

• Conditionering wordt gekarakteriseerd als een Rechtse Kan-extensie (een conservatieve, limiet-behoudende operatie).
• Interventie wordt gekarakteriseerd als een Linkse Kan-extensie (een generatieve, colimiet-achtige pushforward).
• De Radon–Nikodym afgeleide komt voort als de unieke natuurlijke transformatie die de adjunct-triple van deze extensies bemiddelt.

Dit raamwerk, getiteld Kan–Do Calculus, verenigt conditionering en interventie als compatibele universele operaties. Het generaliseert eerdere "Judo Calculus" door expliciet de meetkundige RN-afgeleiden op te nemen en een dualiteit vast te stellen waarbij de RN-dichtheid de canonieke differentiaal is tussen de observationele en interventionele maten.

3. Schatting en Scoring

De auteurs stellen een praktische pijplijn voor om deze dichtheden te schatten en ze te gebruiken voor causale ontdekking:

• Dichtheidsschatting: Gebruik maken van normalizing flows of density-ratio modellen om $P_{obs}$ en $P_{do(X_i)}$ op een gedeelde ondersteuning te schatten, waarbij $\hat{\rho}(z) = \exp(\log \hat{p}_{do}(z) - \log \hat{p}_{obs}(z))$ wordt berekend.
• Kalibratie: Het valideren van schattingen door het meten van de moment-kloof $\Delta_f = |E_{obs}[f(Z)\hat{\rho}(Z)] - E_{do}[f(Z)]|$. Grote kloven duiden op slechte regime-overlap of schattingsfouten.
• Do-curves: Het schatten van respons-curves $x \mapsto E[Y | do(X_i=x)]$ door observationele steekproeven te herwegen.
• Gerichte Rand-scoring: Een paarwijze score $s_{ij}$ wordt gedefinieerd om kandidaat-oorzaken $X_i \to X_j$ te rangschikken op basis van de residu-variantie van $X_j$ na weging door $\rho_i$:
  $$s_{ij} = E_{obs}\left[ \frac{\hat{\rho}_i(Z)(X_j - \hat{E}[X_j|X_i])^2}{\text{Var}(X_j)} \right]$$
  Lagere scores duiden op sterkere causale ondersteuning.
• Sheaf Coherentie: Om meerdere regimes te verwerken, bevat de methode een stabiliteitsstraf gebaseerd op Maximum Mean Discrepancy (MMD) over omgevingen, wat ervoor zorgt dat de geschatte structuur coherent is over verschillende perturbatie-regimes.

Belangrijkste Bijdragen

1. Definitie van Causale Dichtheidsfuncties: Het artikel definieert causale effecten lokaal via RN-ratio's ($dP_{do}/dP_{obs}$), wat hen onderscheidt van globale causale sterkte-maten gebaseerd op grafische verwijdering of globale distributie-divergentie.
2. Estimators voor Kalibratie en Scoring: Het leidt praktische estimators af voor causale-dichtheid-kalibratie, do-curves en gerichte rand-scores, waarbij de nadruk ligt op het feit dat de primaire estimand de dichtheidsratio zelf is, en niet slechts een downstream graaf.
3. RN–Kan Semantiek: Het biedt een compacte categorische semantiek die de verbinding tussen conditionering, interventie en verandering van maat verklaart via Kan-extensies, zonder dat categorietheorie de enige empirische claim is.
4. Empirische Evaluatie: Het raamwerk wordt geëvalueerd op synthetische systemen met bekende grondwaarheid en echte perturbatie-datasets (Sachs proteïne signalering, LINCS, PISA), waarbij zowel succesvolle herstel als faalmodi onder zwakke regime-overlap worden geanalyseerd.

Experimentele Resultaten

Het artikel evalueert de estimators over verschillende domeinen:

• Synthetische Gaussische Systemen: De causale dichtheidsschattingen zijn bijna exact, met RN-kalibratiekloven nabij nul ($\approx 0.001$), wat de theoretische compatibiliteit van verandering van maat en Kan-extensies bevestigt.
• Sachs Proteïne Signalering (S9): De methode herstelt biologisch betekenisvolle richtingen (bijv. PKC→P38, Raf→MEK) met kleine kalibratiefouten ($\approx 0.01$). Hoewel de paarwijze scorer alleen een dichte graaf oplevert (SHD=30), verbetert het toevoegen van sheaf-coherentie-straffen en multivariate regressie de structuur naar SHD=16.
• LINCS L1000 Panel: In deze sterk geperverteerde biologische setting nemen de kalibratiekloven toe ($\approx 0.12$), wat de sterke regime-heterogeniteit weerspiegelt. Desondanks identificeert de methode nog steeds ijle, stabiele driver-genen (bijv. HSPA8→CDC25B) en produceert zij vloeiende do-curves.
• PISA 2022 Sociaal-Economische Data: Gebruikt als een stresstest voor cross-country regimes. Hoewel plausibele sociaal-economische structuren worden hersteld, vertoont de methode grote kalibratiekloven ($\Delta \approx 4.0$) door extreme cross-country heterogeniteit, wat de beoogde faalmodus demonstreert wanneer de regime-overlap slecht is.
• Multi-Regime Keten: In een synthetische keten $X_1 \to \dots \to X_8$ met zachte interventies, identificeert het dichtheidsveld correct directionele banden, hoewel ouder-selectie een beperkende factor blijft voor perfecte graaf-herstel (SHD=8, F1=0.33).

Betekenis en Claims

Het artikel claimt dat causale dichtheidsfuncties een meer fijnmazig, differentieerbaar en lokaal interpreteerbaar alternatief bieden voor globale causale sterkte-maten. Door interventies te kaderen als Linkse Kan-extensies en conditionering als Rechtse Kan-extensies, biedt het werk een universele wiskundige semantiek voor causale inferentie die van nature compatibel is met zachte interventies en continue parameters.

De auteurs benadrukken dat de kalibratie-identiteit de meest kritieke diagnose is: het stelt onderzoekers in staat te verifiëren of een geschatte dichtheidsratio daadwerkelijk observationele verwachtingen transporteert naar interventionele verwachtingen. Het artikel merkt bescheiden op dat hoewel de paarwijze rand-scorer nog niet concurrerend is met volwassen graaf-optimalisatiemethoden zoals NOTEARS of DCDI voor pure structuurherstel, de primaire bijdrage de schatting en kalibratie van de causale dichtheid zelf is. Het raamwerk wordt gepresenteerd als een stap naar schaalbare, multi-regime causale ontdekking waarbij lokale dichtheidsratio's via sheaf-coherentie aan elkaar worden gelijmd om globaal consistente causale modellen te vormen.

Het werk claimt niet het oplossen van alle causale ontdekkingsproblemen, maar benadrukt in plaats daarvan dat de methode het meest betrouwbaar is onder goede regime-overlap en voorspelbaar degradeert naarmate de cross-regime divergentie groeit, een gedrag dat expliciet wordt gevangen door de RN-kalibratiekloven.