Technische Samenvatting: Latente Verwarring in Causale Ontdekking via Lie-Haakjes Geometrie

1. Probleemstelling

Causale ontdekking staat voor een fundamentele combinatorische flessenhals: de ruimte van mogelijke Gerichte Acyclische Grafen (DAG's) groeit super-exponentieel met het aantal variabelen. Bestaande methoden, zoals score-gebaseerde zoekopdrachten (bijv. GES, NOTEARS) of constraint-gebaseerde benaderingen (bijv. FCI), hebben moeite met deze schaal, met name in de aanwezigheid van latente verwarring (latent confounding). Traditionele methoden voor latente variabelen vertrouwen vaak op sterke structurele aannames (bijv. spaarzaamheid, lineariteit of specifieke niet-Gaussianiteit) of vereisen een uitputtende zoektocht over Markov Equivalentie Klassen (MEC's), wat slechts een reductie van de zoekruimtecomplexiteit met een constante factor biedt.

Het artikel stelt dat latente verwarring niet louter een ontbrekende knoop is, maar een belemmering voor het coherente transport van causale informatie tussen observationele en interventionele regimes. Wanneer onwaargenomen variabelen aanwezig zijn, vertoont het statistische manifold een kromming die voorkomt dat lokale interventie-stromen commuteren, een eigenschap die standaard graafzoekalgoritmen niet direct kunnen exploiteren.

2. Theoretisch Kader: Kan-Do-Calculus (KDC)

Het artikel bouwt voort op Kan-Do-Calculus (KDC), wat causale inferentie herformuleert via categorietheorie.

• Categorische Bi-Adjointheid: Het onderscheid tussen passieve conditionering en actieve interventie wordt gemodelleerd als een bi-adjointheid:
  $$\text{Lan}_K \dashv K^* \dashv \text{Ran}_K$$
  • Linkse Kan-extensie ($\text{Lan}_K$): Modelleert interventie ($P(Y | \text{do}(X))$) als een universele pushforward-operator.
  • Rechtse Kan-extensie ($\text{Ran}_K$): Modelleert conditionering ($P(Y | X)$) als een universele pullback-operator.
  • Pre-compositie ($K^*$): Representeert de observationele interface.
• Geometrische Vertaling: Wanneer getransporteerd naar gladde statistische manifolds, induceren de Radon–Nikodym-afgeleiden tussen observationele en interventionele maten lokale causale vectorfelden.
• Latente Belemmering: Als het systeem vrij is van latente verwarring, zouden deze vectorfelden integreerbaar zijn (hun Lie-haakjes sluiten binnen de zichtbare span). Latente verwarring manifesteert zich als een niet-verdwijnend Lie-haakje residu ($[v_i, v_j] \neq 0$), wat een geometrische kromming vertegenwoordigt die niet verklaard kan worden door de geobserveerde variabelen.

3. Methodologie

Het artikel introduceert twee algoritmen: BRIDGE (een modulaire screening-pipeline) en SKFM (een end-to-end geometische inferentiemethode).

3.1 BRIDGE: Haakjes-Residuen voor Interventionele Ontdekking en Geometrische Schatting

BRIDGE is een tweestaps-pipeline ontworpen om de zoekruimte te reduceren voordat standaard scoring-algoritmen worden toegepast.

1. Interventionele Dichtheidsschatting: Gebruikt een dichtheidsmotor (bijv. geregulariseerde Gaussische verdeling, Normalizing Flows) om de Radon–Nikodym-ratio $\rho_i = dP_{\text{do}(X_i)} / dP_{\text{obs}}$ te schatten. Dit definieert een lokaal vectorfeld $v_i \approx \nabla \log \rho_i$.
2. Lie/Frobenius Screening:
   • Berekent het Lie-haakje $[v_i, v_j] = \nabla v_j \cdot v_i - \nabla v_i \cdot v_j$ voor paren interventies.
   • Asymmetrische Scoring: Meet gerichte invloed via variantiereductie onder herweging.
   • Latente Detectie: Niet-sluitende haakjes (Frobenius-residuen) worden gemarkeerd als kandidaten voor latente obstructie of regime-mismatch.
3. Kandidaat-familie Reductie: De geometrische screen produceert een high-recall masker van toelaatbare pijlen, waarbij richtingen die inconsistent zijn met lokale integrabiliteit worden gefilterd.
4. Downstream Scoring: Een standaard scorer (bijv. GES, TCES, BIC) opereert alleen op de geprunede familie van DAG's.

3.2 SKFM: Spectrale Kan-Do Flow Matching

SKFM is een end-to-end differentieerbaar algoritme dat probeert de graaf direct uit de geleerde geometrie te herstellen, waarbij de discrete zoekstap wordt omzeild.

1. Amortized Flow Matching: Gebruikt Conditional Flow Matching (CFM) om een enkel neuraal netwerk $f_\theta$ te leren dat de interventie-velden voor alle variabelen simultaan parametriseert, waardoor $d$ onafhankelijke modellen worden vermeden.
2. Spectrale Latente Factorisatie:
   • Construeert een Causale Kromming Gram-Matrix $G$ uit de gekwadrateerde normen van de Lie-haakjes.
   • Voert een eigenwaardedecompositie uit om de latente kromming-voetafdruk te identificeren. De rang van $G$ schat de dimensionaliteit van de latente verwarring-subruimte in.
   • Projecteert de vectorfelden op het orthogonaal complement van de latente subruimte om de "verwarring af te pellen".
3. Oplosbare Lie-algebra Constraint: Forceert acycliciteit via een zachte penalty op de structuurconstanten van de Lie-algebra, wat ervoor zorgt dat de geëxtraheerde graaf overeenkomt met een oplosbare (triangulaire) subalgebra.
4. Graaf Extractie: Extraheert direct de adjacency matrix uit de geleerde invloedsscores en spectrale projecties, onderworpen aan een topologische ordening.

4. Belangrijkste Resultaten

De experimenten valideren het kader over synthetische en real-world datasets:

• Synthetische Ketens (Latente Verwarring):

  • Op een 7-node keten met een eindpunt-confounder behield BRIDGE alle 6 ware randen terwijl het de kandidaat-pijlset van 42 naar 21 reduceerde.
  • De downstream TCES/BIC scorer op deze geprunede familie bereikte een gemiddelde gerichte F1 van $\approx 0.86$ op 10-node willekeurige DAG's, wat significant beter presteert dan directe zoekopdrachten.
  • SKFM slaagde erin exacte ketenstructuren te herstellen wanneer de ware topologische ordening werd meegegeven, waarbij de combinatorische scorer volledig werd omzeild.

• Niet-keten Motieven (Diamond, Collider/Fork):

  • Standaard invloedsmaskers faalden in het behouden van alle ware randen in complexe motieven.
  • Spectrale Kromming Redding: Het gebruik van de spectrale decompositie van het Lie-haakje-spectrum om latente voetafdrukken te identificeren, herstelde een perfecte kandidaat-recall voor Diamond en Collider/Fork motieven.
  • SKFM Kalibratie: Met continuïteitsregularisatie en contamination-gradient scoring bereikte SKFM exacte herstel op deze motieven, hoewel het instabiel bleef op algemene willekeurige DAG's zonder downstream scorer.

• Real-World Benchmarks:

  • Sachs Proteïne Signaleringspad: De geometrische screen reduceerde de zoekruimte met 60% terwijl bijna de gehele structuur behouden bleef die door gepoolde GES werd geselecteerd. Echter, de methode identificeerde een "kalibratiefront": continuïteitscorrelaties op echte data (0.587) waren aanzienlijk lager dan in synthetische regimes, wat leidde tot een hoge precisie maar lage recall. Het artikel behandelt dit als een diagnosticum van data-niet-stationariteit in plaats van een falen van de methode.
  • S9 Genexpressie: Op een 9-gen paneel zonder gouden standaard, comprimeerde de geometrische screen de gelabelde DAG-familie van $\approx 10^{15}$ naar $\approx 1.2 \times 10^5$ acyclische kandidaten, wat de werkbaarheid voor real-world schaal demonstreert.
  • PISA 2022: Toegepast op OECD-trendvariabelen, produceerde de methode een compacte graaf die consistent is met baseline causale claims, dienend als een discovery-only diagnosticum.

5. Betekenis en Claims

Het artikel claimt de volgende bijdragen:

1. Geometrische Herformulering van Latentie: Het stelt vast dat latente verwarring een onherleidbare geometrische obstructie (niet-verdwijnend Lie-haakje) is in plaats van slechts een ontbrekende knoop. Dit maakt detectie van verborgen structure mogelijk zonder aannames te doen over spaarzaamheid of specifieke parametrische vormen.
2. Zoekruimte Compressie: De primaire praktische bijdrage is de BRIDGE-pipeline, die de toelaatbare pijl-familie die via lokale Lie/Frobenius geometrie wordt gepruned, vóór de scoring. Dit zet een super-exponentieel zoekprobleem om in een tractabele geconstrueerde optimalisatie, waarbij een hoge recall van ware randen wordt bereikt terwijl de zoekruimte met ordes van grootte wordt gereduceerd (bijv. $10^4\times$ tot $10^9\times$ compressie).
3. End-to-End Geometrische Inferentie: SKFM laat zien dat, onder specifieke condities (geordende ketens, gekalibreerde velden), causale ontdekking direct in de geleerde Lie-algebraïsche veldruimte kan worden uitgevoerd, waarbij latente dimensies en graafstructuur worden hersteld zonder combinatorische enumeratie.
4. Categorische Consistentie: Het werk biedt een verenigd theoretisch perspectief waar interventies, conditionering en contrafeitelijke scenario's (geformaliseerd als parallel transport en holonomie) consistent zijn met de Kan-Do bi-adjointheid.

Beperkingen en Bescheidenheid:
Het artikel is bescheiden over de claims op algemene graafherstel. Het stelt expliciet dat directe SKFM extractie instabiel is voor algemene, ongeordende willekeurige DAG's zonder een downstream scorer. De "Stap 9" graafextractie heuristiek blijft een bottleneck voor niet-keten motieven. Bovendien, op biologische real-world data (Sachs), identificeert de methode een kalibratiefront waar continuïteitscorrelaties dalen, wat suggereert dat hoewel de geometrische screen robuust is, het volledige herstel van complexe biologische grafen een betere behandeling van regime-mismatch en feedbackloops vereist. De theoretische garanties (Proposition 5.1, 7.1, 7.2) zijn asymptotisch en rusten op aannames over regulariteit, marge en eigenwaarde-gap.

Samenvattend stelt het artikel een praktische geometrische screening-pipeline voor die effectief de causale ontdekkingszoekruimte reduceert en een gekalibreerd verslag geeft van wanneer directe Lie-ruimte extractie haalbaar is versus wanneer een downstream scorer noodzakelijk is.