🤖 AI

Regret-Based Federated Causal Discovery with Unknown Interventions

Este artigo propõe o I-PERI, um novo algoritmo federado que possibilita a descoberta causal sob intervenções de nível de cliente desconhecidas ao recuperar um grafo de união e orientar arestas adicionais para alcançar uma Classe de Equivalência $\Phi$ -Markov mais estreita, ao mesmo tempo em que fornece garantias teóricas de convergência e privacidade.

Autores originais: Federico Baldo, Charles K. Assaad

Publicado 2026-06-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Federico Baldo, Charles K. Assaad

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um grupo de hospitais tentando entender como diferentes doenças, tratamentos e desfechos de pacientes estão conectados. Eles querem construir um "mapa" de causa e efeito (um grafo causal) para entender o que causa o quê. No entanto, há um grande problema: eles não podem compartilhar os dados de seus pacientes devido às leis de privacidade. É aqui que o Aprendizado Federado (Federated Learning) entra — uma forma de eles colaborarem sem nunca verem os arquivos privados uns dos outros.

O artigo apresenta um novo método chamado I-PERI para resolver um enigma específico neste cenário: E se cada hospital estiver fazendo algo ligeiramente diferente com seus pacientes?

Aqui está a divisão das ideias do artigo usando analogias simples:

1. O Problema: O Erro do "Tamanho Único para Todos"

A maioria dos métodos anteriores assumia que cada hospital estava realizando exatamente o mesmo experimento nos exatos mesmos pacientes. Eles assumiam que as "regras do jogo" eram idênticas em todos os lugares.

A Realidade: No mundo real, o Hospital A pode tratar pacientes com um medicamento específico, enquanto o Hospital B usa um protocolo diferente, e o Hospital C pode apenas observar sem intervir. Essas diferentes ações são chamadas de intervenções.

A Analogia: Imagine tentar entender como funciona o motor de um carro.
- O Hospital A está dirigindo o carro normalmente.
- O Hospital B removeu as velas de ignição (uma intervenção).
- O Hospital C colou uma fita sobre o injetor de combustível (outra intervenção).
- Se você tentar combinar os relatórios deles assumindo que todos estão dirigindo normalmente, você obterá um mapa confuso e errado de como o motor funciona.

2. A Solução: I-PERI (O Detetive do "Arrependimento")

Os autores propõem o I-PERI, um processo de detetive de duas etapas que funciona mesmo quando os hospitais não sabem exatamente quais intervenções os outros estão realizando, e quando não podem compartilhar seus dados brutos.

Etapa 1: Encontrando o Terreno Comum (O "Esqueleto")
Primeiro, o sistema tenta encontrar as partes do mapa que são iguais para todos.

A Analogia: O servidor central pergunta a cada hospital: "Se eu desenhar um mapa do motor, o quanto ele 'se arrepende' de não corresponder à sua realidade local?"
Em vez de compartilhar seus mapas completos, os hospitais enviam apenas um número que representa este "arrependimento" (uma pontuação de quão errado o mapa do servidor está em comparação com os dados locais deles).
O servidor ajusta seu mapa para minimizar o arrependimento total. Isso os ajuda a concordar com a estrutura básica (o "esqueleto") do grafo causal, ignorando as partes que foram quebradas pelas intervenções.

Etapa 2: Usando as Diferenças para Preencher as Lacunas
Esta é a parte inteligente. Uma vez que o mapa básico é construído, o sistema observa as diferenças causadas pelas intervenções.

A Analogia: Lembra das velas de ignição? Quando o Hospital B as removeu, o motor se comportou de uma maneira específica que revelou uma conexão oculta.
O I-PERI observa como as intervenções em diferentes hospitais mudaram a "forma" dos dados. Se uma intervenção no Hospital A cria um padrão específico (como um "formato de V" nos dados) que não era visível antes, o servidor usa essa pista para desenhar uma seta específica no mapa.
O Resultado: Eles acabam com um mapa muito mais detalhado do que poderiam ter construído apenas com dados observacionais. Os autores chamam este novo mapa mais preciso de $\Phi$ -CPDAG.

3. Privacidade: A Colaboração "De Olhos Vendados"

O artigo enfatiza que este método foi projetado para ser privado.

A Analogia: Os hospitais nunca entregam suas listas de pacientes ou seus projetos completos de motores. Eles entregam apenas um número (a "pontuação de arrependimento") e algumas dicas criptografadas.
Os autores provam matematicamente que, mesmo que alguém tente espionar esses números, não é possível fazer a engenharia reversa dos dados privados de qualquer paciente individual. Eles usam uma técnica chamada Privacidade Diferencial (Differential Privacy), que adiciona um pouco de "ruído estático" às respostas para esconder as contribuições individuais, de forma semelhante a adicionar um pouco de estática a um sinal de rádio para que você não consiga ouvir a voz de uma pessoa específica, mas ainda possa entender a música.

4. O Que Eles Provaram

Funciona: Eles mostraram que, se você tiver dados suficientes, este método eventualmente encontrará o mapa mais preciso possível dadas as restrições (a Classe de Equivalência $\Phi$ -Markov).
É Melhor: Em seus testes (usando dados sintéticos que imitam cenários do mundo real), o I-PERI construiu mapas mais precisos do que outros métodos existentes, especialmente quando os hospitais tinham diferentes protocolos de tratamento.
É Rápido: Ele é significativamente mais rápido do que outros métodos complexos.

Resumo

I-PERI é uma nova maneira de grupos descentralizados (como hospitais) construírem um mapa compartilhado de causa e efeito. Ele não finge que todos estão fazendo a mesma coisa; em vez disso, usa as diferenças no que estão fazendo (as intervenções desconhecidas) como pistas para desenhar um mapa mais preciso, mantendo todos os dados privados de todos completamente ocultos.

Resumo Técnico: Descoberta Causal Federada Baseada em Regret com Intervenções Desconhecidas

Declaração do Problema

A descoberta causal a partir de dados observacionais normalmente recupera um Grafo Acíclico Dirigido Parcialmente Completado (CPDAG), que representa uma Classe de Equivalência de Markov (MEC). Embora métodos recentes de Descoberta Causal Federada (FCD) abordem a descentralização de dados e a privacidade, eles dependem da premissa idealizada de que todos os clientes compartilham um modelo causal idêntico, não afetado por intervenções. Em cenários do mundo real (ex: hospitais multicêntricos), as políticas e protocolos específicos de cada cliente induzem naturalmente intervenções heterogêneas e desconhecidas. Essas intervenções alteram as estruturas causais locais (ex: removendo arestas de entrada via intervenções estruturais), tornando os algoritmos de FCD padrão ineficazes, pois eles não conseguem distinguir entre arestas ausentes devido a intervenções versus arestas ausentes devido à estrutura causal subjacente. Além disso, os métodos existentes para descoberta causal com intervenções desconhecidas assumem o agrupamento centralizado de dados, o que viola restrições de privacidade, ou exigem alvos de intervenção conhecidos, o que é frequentemente irrealista em ambientes federados.

Metodologia: I-PERI

Os autores propõem o I-PERI (Intervention-PERI), um novo algoritmo federado projetado para lidar com intervenções de nível de cliente desconhecidas, garantindo simultaneamente a privacidade diferencial. O I-PERI estende o algoritmo PERI ao aproveitar as diferenças estruturais induzidas por intervenções entre os clientes para refinar o grafo causal global. O método opera em duas fases distintas:

1. Recuperação de CPDAG Federada (Fase 1)

A primeira fase visa recuperar o CPDAG comum a todos os clientes, denotado como $C(G)$ , do qual todos os grafos específicos de cada cliente são derivados.

Desafio: As funções de regret padrão falham aqui porque as intervenções estruturais removem arestas, fazendo com que o CPDAG do cliente seja um subgrafo do verdadeiro CPDAG global. Minimizar o reget diretamente penalizaria o servidor por arestas "ausentes" que foram, na verdade, removidas pelas intervenções.
Solução: O I-PERI introduz o Mascaramento de Consenso Direcionado ( $\mu$ $μ$ ). Antes de computar o regret, o grafo do servidor é mascarado contra o grafo de cada cliente. Esta operação:
- Retém arestas presentes em ambos os grafos.
- Remove arestas presentes no servidor, mas ausentes no cliente (reconhecendo que podem ser induzidas por intervenção).
- Orienta arestas não direcionadas no grafo do servidor se a aresta correspondente no cliente for direcionada.
Otimização: O algoritmo minimiza o pior caso de regret sobre os grafos mascarados:
$\hat{G} = \arg \min_{H \in C(G)} \max_{k} \left( L(\mu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k) \right)$
onde $L$ é uma função de pontuação consistente (ex: BIC). Isso garante que o servidor convirja para o CPDAG do DAG causal subjacente $G$ .

2. Refinamento de Orientação (Fase 2)

A segunda fase explora o fato de que intervenções estruturais podem transformar colisores blindados (shielded colliders) em colisores não blindados (unshielded colliders ou v-estruturas), revelando assim orientações de arestas que são ambíguas em dados puramente observacionais.

Mecanismo: O I-PERI utiliza o Mascaramento de Consenso Não Direcionado ( $\nu$ ). Neste máscara, as arestas não direcionadas têm precedência sobre as direcionadas. O algoritmo penaliza o servidor por falhar em orientar arestas que estão orientadas nos grafos dos clientes devido a v-estruturas induzidas por intervenção.
Otimização: O regret é computado sobre o grafo mascarado não direcionado:
$R_k(H) = L(\nu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k)$
O espaço de busca é restrito a grafos parcialmente direcionados derivados do CPDAG da Fase 1.

Garantias de Privacidade

O I-PERI é projetado com foco em privacidade diferencial $\epsilon$ . Em vez de compartilhar grafos locais ou parâmetros de modelos, os clientes computam regrets locais e adicionam ruído de Laplace antes da transmissão. O artigo fornece limites teóricos sobre a sensibilidade da função de regret, garantindo que a adição de ruído não comprometa significadamente a utilidade da recuperação do grafo global enquanto protege os pontos de dados individuais.

Principais Contribuições

Classe de Equivalência de Markov $\Phi$ ( $\Phi$ -MEC): Os autores definem uma nova classe de equivalência, a $\Phi$ -MEC, que é estritamente mais apertada que a MEC observacional padrão, mas mais ampla que a I-MEC (que exige intervenções conhecidas). Ela representa a melhor recuperação possível em um cenário federado com intervenções desconhecidas.
$\Phi$ -CPDAG: Um grafo representativo para a $\Phi$ -MEC, obtido orientando as arestas no CPDAG padrão com base em v-estruturas reveladas por intervenções ao nível do cliente.
Algoritmo I-PERI: Um algoritmo federado de duas fases que recupera o $\Phi$ -CPDAG sem exigir conhecimento dos alvos de intervenção ou compartilhamento de dados brutos.
Garantias Teóricas: O artigo fornece provas de convergência do I-PERI para o $\Phi$ -CPDAG conforme os tamanhos de amostra se aproximam do infinito, assumindo suficiência causal e fidelidade (faithfulness). Também estabelece garantias formais de privacidade diferencial.

Resultados Experimentais

Os autores avaliaram o I-PERI em conjuntos de dados sintéticos lineares contra baselines de última geração (PERI, FedDAG, NOTEARS-ADMM, FedCDH).

Desempenho: O I-PERI superou consistentemente as baselines em termos de Distância de Hamming Estrutural (SHD) e F1 score através de variações no número de variáveis ( $p \in \{3, \dots, 20\}$ ), clientes ( $K$ ) e tamanhos de amostra ( $n$ ).
Orientação de Arestas: A segunda fase do I-PERI orientou com sucesso arestas adicionais que eram ambíguas no CPDAG inicial, demonstrando a utilidade de aproveitar a heterogeneidade induzida pela intervenção.
Eficiência: O I-PERI exibiu um tempo de execução computacional significativamente menor (ordens de magnitude mais rápido) em comparação com métodos concorrentes.
Robustez: O método permaneceu eficaz ao utilizar diferentes algoritmos de descoberta local (PC e GES) e mostrou desempenho consistente em configurações de tamanho de amostra homogêneas e heterogêneas.

Significância e Alegações

O artigo afirma que o I-PERI aborda uma lacuna crítica na descoberta causal federada ao ir além da premissa irrealista de dados homogêneos e não intervencionados.

Aproveitando a Heterogeneidade: Ao contrário do aprendizado federado tradicional, onde a heterogeneidade do cliente é frequentemente tratada como um ruído a ser minimizado, o I-PERI trata as diferenças estruturais induzidas por intervenção como uma fonte de informação para refinar a orientação causal.
Descoberta Preservando a Privacidade: O trabalho demonstra que uma descoberta causal de alta qualidade pode ser alcançada sem centralizar dados ou revelar alvos de intervenção, baseando-se na agregação de regret com privacidade diferencial.
Avanço Teórico: Ao definir a $\Phi$ -MEC, o artigo estabelece os limites teóricos do que pode ser identificado em cenários federados com intervenções desconhecidas, fornecendo um limite mais estreito do que apenas os dados observacionais.

Os autores observam que a precisão do I-PERI depende da qualidade dos CPDAGs locais aprendidos pelos clientes e que as garantias teóricas dependem de suposições padrão (suficiência causal, fidelidade) que podem ser violadas em cenários do mundo real complexos. Trabalhos futuros são sugeridos para estender o framework para cenções com variáveis latentes e viés de seleção.