Resumo Técnico: Média de Modelos Dinâmica Guiada por Especialistas para Descoberta Causal

Declaração do Problema

Praticantes de descoberta causal enfrentam uma "galeria vertiginosa" de algoritmos sem um consenso claro sobre qual método performa melhor para casos de uso específicos. Essa diversidade, combinada com as realidades de dados limitados e ruidosos, frequentemente força a dependência de conhecimento especializado, já que algoritmos individuais violam frequentemente suposições teóricas (por exemplo, causalidade suficiente) ou falham em superar consistentemente outros em dados do mundo real. Embora o ensembling (média de modelos) seja uma estratégia natural para melhorar a robustez, os métodos existentes para ensembling de descoberta causal são limitados. Alguns dependem de metadados irreais sobre grafos verdadeiros, enquanto outros focam em priores estáticos em vez de resolver dinamicamente discrepâncias. Além disso, a integração de conhecimento especializado tem sido tipicamente limitada a restrições estáticas ou algoritmos específicos, em vez de servir como mediadora para um ensemble diversificado.

Metodologia

Os autores propõem uma estratégia de Média de Modelos Dinâmica Guiada por Especialistas que integra um conjunto diversificado de algoritmos de descoberta causal com um especialista imperfeito (humano ou Modelo de Linguagem de Grande Escala). A inovação central reside em desacoplar a determinação da existência de arestas da orientação de arestas e usar o especialista seletivamente para resolver discordâncias.

Componentes Metodológicos Chave:

1. Separação de Existência e Orientação:

   • Existência de Arestas: O método baseia-se principalmente em algoritmos orientados por dados para detectar a presença de arestas. Reconhece que, embora os algoritmos possam discordar sobre a orientação, frequentemente concordam sobre a existência de uma conexão.
   • Orientação de Arestas: Uma vez estabelecida uma aresta, o método determina sua direção. Reconhece que os algoritmos frequentemente lutam com a orientação (produzindo CPDAGs com arestas não direcionadas) e que especialistas (particularmente Modelos de Linguagem de Grande Escala) podem ser melhores em determinar a ordenação causal do que detectar a existência de uma relação.

2. Estratégia de Consulta Dinâmica:

   • O método executa um conjunto de $M$ algoritmos de descoberta causal para produzir um conjunto de grafos $\mathcal{G}$.
   • Adição de Arestas: As arestas são consideradas para adição com base em um limiar de frequência $\theta_1$. Se a porcentagem de modelos contendo uma aresta direta exceder $\theta_1$ mas cair abaixo de uma votação majoritária (0,5), o sistema consulta o especialista para validar a existência da aresta.
   • Determinação de Orientação: Para arestas aceitas, se múltiplas orientações válidas existirem, o método verifica se uma orientação específica excede um limiar $\theta_2$ entre os modelos contendo a aresta. Se não, ou se a orientação for ambígua, o especialista é consultado para determinar a direção.
   • Orçamento de Consulta ($B$): Para refletir restrições realistas no acesso a especialistas (tempo/custo), o método opera sob um orçamento de consulta fixo. Uma vez esgotado o orçamento, as decisões revertem para votação majoritária.
   • Consultas Impulsionadas por Discordância: O sistema prioriza a consulta ao especialista apenas para arestas onde o ensemble exibe discordância significativa, maximizando o valor da entrada limitada do especialista.

3. Modelo de Especialista:

   • O método trata o especialista como "imperfeito", capaz de erros. Nos experimentos, um especialista simulado fornece respostas corretas com probabilidades $p_{exist}^e$ e $p_{orient}^e$.
   • A abordagem assume que o especialista responde com base em ordenação causal plausível (cadeias diretas ou indiretas) em vez de arestas estritamente diretas, refletindo a dificuldade de elicitar conhecimento estrutural preciso na prática.

Contribuições Principais

O artigo faz três contribuições primárias:

1. Estratégia de Ensembling Inovadora: Introduz o primeiro método a usar conhecimento especializado solicitado dinamicamente especificamente para mediar discrepâncias na média de modelos de descoberta causal.
2. Consulta Desacoplada: Ao tratar a existência e a orientação de arestas separadamente, o método aproveita as forças complementares de algoritmos orientados por dados (detecção) e entrada de especialista (direção), consultando o especialista seletivamente apenas em casos de alta incerteza ou discordância.
3. Validação Empírica: O método é avaliado contra bases fortes (incluindo métodos de ensembling existentes e algoritmos individuais) em grafos do mundo real bem conhecidos usando dados limpos e ruidosos, demonstrando melhorias consistentes de desempenho.

Resultados Experimentais

Os autores avaliaram seu método em seis redes de referência (por exemplo, Ásia, Esportes, Alarme, Pathfinder) com tamanhos de amostra variados ($n \in \{100, 1000, 10000, 100000\}$) e níveis de ruído.

• Desempenho: O método proposto superou consistentemente bases fortes, incluindo algoritmos individuais (PC-Stable, FCI, Tabu, GES, etc.) e abordagens de ensembling existentes (Média de Modelos Bayesys, Aslani & Mohebbi).
• Métricas: Melhorias foram observadas na Função de Pontuação Balanceada (BSF), pontuação F1, Distância de Hamming Estrutural (SHD) e Distância de Intervenção Estrutural (SID). O método mostrou melhorias amplas no recall enquanto mantinha precisão comparável a outros métodos de ensembling.
• Comparação com Tabu-AL: O método superou significativamente o Tabu-AL (uma base usando conhecimento especializado dinâmico em um único algoritmo) em pelo menos 11% em média na maioria das métricas, destacando o valor de ensembling algoritmos diversos com mediação de especialista.
• Estudo de Caso com LLM: Experimentos usando um Modelo de Linguagem de Grande Escala (gpt-5-nano) como especialista mostraram desempenho consistente com os parâmetros do especialista simulado ($p_{exist}^e \approx 70\%$, $p_{orient}^e \approx 90\%$), validando a viabilidade de usar Modelos de Linguagem de Grande Escala neste framework.
• Orçamento de Consulta: Um orçamento moderado de $2N$ (onde $N$ é o número de nós) forneceu o melhor equilíbrio entre precisão e recall.

Significado e Alegações

O artigo posiciona este trabalho como o primeiro método a aproveitar conhecimento especializado para o ensembling de algoritmos de descoberta causal. Seu significado é enquadrado em torno da necessidade prática de lidar com restrições de dados do mundo real onde nenhum algoritmo único é universalmente superior.

• Alegações Moderadas: Os autores afirmam explicitamente que seu método fornece nenhuma garantia formal de recuperar o grafo causal verdadeiro sob configurações ideais. Em vez disso, baseia-se em validação empírica para combinar as forças de algoritmos diversos com especialistas imperfeitos sob condições plausíveis do mundo real.
• Praticidade: A abordagem é projetada para cenários onde o acesso a especialistas é limitado e imperfeito, oferecendo uma alternativa robusta à dependência de um único algoritmo ou priores estáticos.
• Trabalho Futuro: Os autores notam limitações, incluindo o uso de dados categóricos sintéticos e a falta de garantias teóricas formais. Sugerem que trabalhos futuros poderiam explorar diferentes tipos de dados, distribuições de ruído e ponderação adaptativa de modelos com base no desempenho previsto.

Em resumo, o artigo apresenta um framework pragmático e flexível que usa intervenção especializada direcionada para resolver incertezas em ensembles causais, demonstrando que tal estratégia produz precisão estrutural superior em comparação com métodos existentes em dados limpos e ruidosos.