💻 computer science

Global Constraint-Based Causal Structure Learning with Streaming Features

Dit artikel introduceert FCI-SF, het eerste globaal consistente, op constraints gebaseerde algoritme voor het leren van causale structuren met streaming kenmerken, dat causale grafen efficiënt bijwerkt wanneer nieuwe gegevens binnenkomen, terwijl het formele asymptotische garanties biedt en superieure nauwkeurigheid en snelheid demonstreert op zowel synthetische als real-world datasets.

Oorspronkelijke auteurs: Jose M. De Miguel, Concha Bielza, Pedro Larrañaga

Gepubliceerd 2026-10-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jose M. De Miguel, Concha Bielza, Pedro Larrañaga

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

In het uitgestrekte landschap van de moderne wetenschap worden onderzoekers vaak geconfronteerd met een puzzel die complexer wordt bij elke nieuwe stuk aan data die zij verzamelen. Stel je voor dat je probeert te begrijpen waarom een machine kapot gaat of waarom een patiënt verbetert na een behandeling. Het doel is om verder te gaan dan eenvoudige observatie en de werkelijke keten van oorzaak en gevolg te ontdekken. Dit vakgebied, bekend als causale ontdekking (causal discovery), streeft ernaar in kaart te brengen hoe verschillende factoren elkaar beïnvloeden, waarbij het onderscheid wordt gemaakt tussen echte oorzaken en louter toevalligheden. Decennialang hebben wetenschappers vertrouwd op statistische tests om deze kaarten te bouwen, maar deze methoden vereisen meestal een volledige lijst van alle mogbare factoren voordat ze kunnen beginnen. Dit werkt goed in een gecontroleerd laboratorium, maar het heeft moeite in de echte wereld, waar nieuwe informatie vaak stukje bij beetje arriveert, zoals een stroom nieuwsberichten of een continue stroom van sensorgegevens.

Hier doet zich een nieuwe uitdaging voor: hoe pas je je begrip van een systeem aan wanneer je nog niet alle variabelen kent? Traditionele methoden zouden hun vorige werk moeten weggooien en telkens weer vanaf nul moeten beginnen zodra er een nieuw stukje data verschijnt, een proces dat traag en verspillend is. Een team onderzoekers van de Universidad Politécnica de Madrid heeft een slimmere manier ontwikkeld om dit aan te pakken. Ze hebben een nieuwe methode ontwikkeld genaamd FCI-SF, die specifiek is ontworpen voor situaties waarin kenmerken, of variabelen, binnenkomen in een constante stroom (streaming). Hun aanpak stelt de computer in staat om te leren van het verleden en daarop voort te bouwen, in plaats van alles te vergeten en opnieuw te beginnen.

De kern van deze nieuwe methode is een strategie die respect toont voor het reeds uitgevoerde werk. In de wereld van causale ontdekking zoeken onderzoekers naar patronen waarbij twee zaken niet met elkaar gerelateerd zijn zodra er rekening wordt gehouden met een derde factor. Deze patronen, genaamd voorwaardelijke onafhankelijkheid (conditional independence), fungeren als aanwijzingen die de computer vertellen welke verbindingen behouden moeten blijven en welke genegeerd kunnen worden. De onderzoekers bewezen een fundamentele regel voor hun nieuwe systeem: als twee factoren in een eerdere fase als ongerelateerd werden beschouwd, zullen ze ook ongerelateerd blijven wanneer er later nieuwe factoren worden toegevoegd. Dit inzicht, dat zij de eigenschap van onafhankelijkheidsbehoud (independence preservation property) noemen, is de sleutel die de mogelijkheid ontsluit om de kaart bij te werken zonder de hele kaart opnieuw te tekenen. Dit betekent dat het algoritme kan onthouden welke verbindingen al waren uitgesloten en alleen zijn energie kan richten op het testen van de nieuwe mogelijkheden die door de nieuwste data worden geïntroduceerd.

Om dit idee te testen, voerde het team uitgebreide experimenten uit met zowel computergegenereerde data als real-world datasets. Ze vergeleken hun nieuwe methode met verschillende bestaande technieken die hetzelfde probleem proberen op te lossen. De resultaten lieten zien dat hun aanpak niet alleen accuraat was, maar ook opmerkelijk snel. In hun tests was de nieuwe methode bijna twintig keer sneller dan de beste alternatieve methode voor streamingdata. Terwijl andere methoden moeite hadden om het groeiende volume aan informatie bij te houden en vaak dagen nodig hadden om grote sets variabelen te verwerken, handelde dit nieuwe algoritme dezelfde taken in een fractie van de tijd. Het bereikte deze snelheid zonder in te boeten op nauwkeurigheid, waarbij het een precisieniveau handhaafde dat overeenkwam met de beste methoden die worden gebruikt wanneer alle data in één keer beschikbaar is.

De onderzoekers pasten hun methode ook toe op een echt biologisch probleem met betrekking tot het genetische netwerk van de Arabidopsis thaliana-plant, een veelgebruikt modelorganisme in de wetenschap. Ze simuleerden een scenario waarin genen één voor één worden onthuld, wat nabootst hoe een bioloog gaandeweg nieuwe informatie ontdekt. Terwijl de nieuwe genetische data binnenkwam, slaagde het algoritme erin om de kaart van hoe de genen met elkaar interageren succesvol bij te werken. De resulterende structuur stemde goed overeen met gevestigde biologische paden, waarbij bekende relaties correct werden geïdentificeerd en plausibele nieuwe verbindingen werden gesuggereerd. Dit bewees dat de methode niet alleen theoretisch werkt of op eenvoudige computersimulaties, maar ook op complexe, rommelige data uit de echte wereld.

Het team maakte hun werk publiek toegankelijk via een open-source softwarepakket, waardoor andere wetenschappers hun bevindingen kunnen gebruiken en erop voort kunnen bouwen. Door een hulpmiddel te bieden dat zowel theoretisch onderbouwd als computationeel efficiënt is, hebben zij een praktische oplossing geboden voor een groeiend probleem in de datawetenschap. Nu de wereld meer data genereert dan ooit tevoren, vaak in een continue stroom, wordt het vermogen om er incrementeel van te leren zonder eerdere inzichten te verliezen steeds belangrijker. Deze nieuwe methode biedt een manier om het tempo van die stroom bij te houden, waardoor een potentieel overweldigende stroom van informatie wordt omgezet in een helder, evoluerend beeld van oorzaak en gevolg.

Technische Samenvatting: Globale Constraint-gebaseerde Causale Structuurleer met Streaming Features

1. Probleemstelling

Causale ontdekking staat voor aanzienlijke uitdagingen in Streaming Features (SF) scenario's, waarbij de set variabelen die een systeem beschrijven progressief uitbreidt over de tijd (bijv. realtime nieuws in sociale netwerken of nieuwe metingen in langdurige overstromingsvoorspellingen). Traditionele constraint-gebaseerde causale ontdekkingsalgoritmen, zoals Fast Causal Inference (FCI), gaan uit van een vaste set geobserveerde variabelen. Gevolgelijk moeten zij de volledige causale structuur telkens opnieuw leren wanneer er een nieuwe batch features arriveert, wat leidt tot computationele inefficiëntie.

Bestaande SF-specifieke methoden zijn overwegend lokaal (het leren van buurten van variabelen één voor één) en vertrouwen vaak op de assumptie van causale sufficiëntie (geen niet-geobserveerde gemeenschappelijke oorzaken). Deze assumptie is bijzonder restrictief in SF-settings, aangezien een variabele die aanvankelijk niet geobserveerd was (een potentiële confounder) later wel observeerbaar kan worden. Bovendien missen huidige SF-benaderingen formele garanties voor asymptotische consistentie, wat betekent dat ze theoretisch niet garanderen dat de correcte Markov-equivalentieklasse wordt hersteld, zelfs niet met perfecte conditionele onafhankelijkheidsinformatie (CI) in de limiet van grote steekproeven.

2. Methodologie: FCI-SF

De auteurs stellen FCI-SF voor, een globale, feature-wijze incrementele uitbreiding van het FCI-algoritme, ontworpen voor de SF-setting. In tegenstelling tot lokale methoden, werkt FCI-SF de globale causale structuur (gerepresenteerd als een Partial Ancestral Graph, of PAG) bij wanneer er nieuwe features arriveren.

Theoretische Fundering: Behoud van Onafhankelijkheid

Een kernbijdrage is de vaststelling van de Independence Preservation Property. De auteurs bewijzen dat als de datagenererende distributies voor de oude features ( $P_{old}$ ) en de nieuwe features ( $P_{new}$ ) latente projecties zijn van één enkele onderliggende distributie ( $P^*$ ) die voldoet aan de causale Markov- en faithfulness-assumpties, dan:

Elk paar features dat niet-geadjacente is in de causale graaf van de oude features ( $G_{old}$ ), blijft niet-adjacente in de graaf van de nieuwe features ( $G_{new}$ ).
Nieuwe features kunnen nieuwe onafhankelijkheden introduceren, maar ze elimineren geen bestaande onafhankelijkheden tussen eerder geobserveerde variabelen.

Deze eigenschap stelt het algoritme in staat om eerder geïnferred structurele informatie en CI-tests te hergebruiken, waardoor redundante berekeningen worden vermeden.

Algoritmische Mechanica

FCI-SF volgt de vijf fasen van het standaard FCI-algoritme, maar wijzigt de fasen voor skeletontdekking (1 en 3) om deze incrementeel te maken:

Input: Het algoritme neemt de eerder geleerde PAG ( $P_{old}$ ), de scheidende sets ( $Sep_{old}$ ), de uitgebreide dataset ( $D_{new}$ ) en de nieuwe features ( $H_{new}$ ) als input.
Initialisatie (Fase 1):
- Het construeert een initieel skelet door adjacenties van $P_{old}$ over te nemen voor de oude features.
- Het creëert een volledige ongerichte graaf over de nieuwe features en verbindt elke nieuwe feature met elke oude feature.
- Het initialiseert scheidende sets voor paren van oude features met behulp van $Sep_{old}$ .
Incrementele CI-testing:
- Het algoritme voert CI-tests alleen uit als de conditionele set of de eindpunten ten minste één nieuwe feature bevat.
- Tests die uitsluitend oude features betreffen, worden overgeslagen, aangezien hun resultaten worden bewaard door de independence preservation property.
- Echter, als een nieuwe feature een scheidende set biedt voor een paar van oude features dat voorheen onscheidbaar was, wordt de rand tussen hen verwijderd.
Oriëntatie (Fasen 2–5):
- Na het inkorten van het skelet gaat het algoritme verder met de standaard FCI-oriëntatieregels (het oriënteren van v-structuren en het toepassen van grafische regels $R1-R10$ ) om de bijgewerkte PAG te produceren.

Theoretische Garanties

De auteurs bewijzen dat FCI-SF asymptotisch consistent is. In de limiet van grote steekproeven, uitgaande van een consistente CI-test, convergeert de output van FCI-SF naar de meest informatieve PAG die de latente projectie van de ware onderliggende causale graaf op de geobserveerde featureset representeert.

3. Belangrijkste Bijdragen

Eerste Globale Incrementele Algoritme met Garanties: FCI-SF is het eerste constraint-gebaseerde algoritme voor streaming features dat zowel globaal is (het bijwerken van de volledige graaf) als formele asymptotische consistentiegaranties bezit.
Omgaan met Latente Confounding: In tegenstelling tot de meeste bestaande SF-methoden, accommodeert FCI-SF expliciet latente confounding en selectie-effecten, wat het geschikt maakt voor scenario's waarin nieuwe confounders in de loop van de tijd kunnen verschijnen.
Independence Preservation Property: Het artikel stelt een theoretisch resultaat vast dat aantoont dat randen die in eerdere stadia van het leren zijn verwijderd, ook afwezig blijven wanneer nieuwe variabelen observeerbaar worden, wat het hergebruik van CI-informatie mogelijk maakt.
Open-Source Implementatie: De auteurs hebben een Python-package uitgebracht die FCI-SF en alle andere state-of-the-art causale ontdekkingsmethoden voor de SF-setting implementeert, wat reproduceerbaarheid en systematische vergelijking vergemakkelijkt.

4. Experimentele Resultaten

De auteurs evalueerden FCI-SF op zowel synthetische als real-world datasets.

Synthetische Experimenten

Nauwkeurigheid: FCI-SF behaalde grafische nauwkeurigheden (gemeten via F1-score, Hamming-afstand en Cohen's $\kappa$ ) die vergelijkbaar zijn met het standaard FCI-algoritme (dat opnieuw leert vanaf nul) en presteerde aanzienlijk beter dan andere SF-specifieke methoden (S-CDFSF, CSBS, CSSU, PRCDSF, LiNGAM-SF).
Efficiëntie: FCI-SF was ongeveer 20 keer sneller dan de op één na snelste concurrerende SF-methode (CSBS) en verminderde de executietijd met 44% vergeleken met het opnieuw draaien van FCI vanaf nul. Het halveerde ook het aantal vereiste CI-tests vergeleken met FCI-Stable.
Schaalbaarheid: De methode vertoonde substantiële computationele besparingen, vooral wanneer binnenkomende feature-batches klein waren in verhouding tot de geaccumuleerde feature-set.

Real-World Experimenten

Zelf-compatibiliteit: Op negen real-world datasets zonder bekende grondwaarheid behaalde FCI-SF de beste gemiddelde rang in grafische zelf-compatibiliteit (een metriek die de wederzijdse compatibiliteit beoordeelt van structuren die geleerd zijn uit verschillende variabelensets).
Biologische Casestudy: In een incrementele analyse van het Arabidopsis thaliana isoprenoïde netwerk, herstelde FCI-SF structuren die breed consistent zijn met gevestigde biologische paden (MVA en MEP paden). Het algoritme identificeerde succesvol causale richtingen die consistent zijn met bekende upstream-naar-downstream progressies naarmate er nieuwe gen-features werden geïntroduceerd.

5. Betekenis en Claims

Het artikel positioneert FCI-SF als een theoretisch gefundeerde en computationeel efficiënte oplossing voor incrementele causale ontdekking. De primaire betekenis ligt in het overbruggen van de kloof tussen de computationele efficiëntie die vereist is voor streaming data en de rigoureuze theoretische garanties (asymptotische consistentie en het afhandelen van latente variabelen) die traditioneel geassocieerd worden met globale constraint-gebaseerde methoden.

De auteurs beweren dat FCI-SF het eerste algoritme is dat het volgende biedt:

Een globale incrementele benadering voor streaming features.
Formele asymptotische consistentiegaranties in deze setting.
Expliciete afhandeling van latente confounding zonder de assumptie van causale sufficiëntie.

Het werk concludeert dat hoewel grafische operaties zoals marginalisatie computationeel veeleisend blijven, FCI-SF een principieel kader biedt voor het bijwerken van causale modellen naarmate data evolueert, waarbij de prohibitieve kosten van het opnieuw leren vanaf nul worden vermeden terwijl een hoge structurele nauwkeurigheid behouden blijft.