Resumo Técnico: Jogos de Previsão-Intervenção e Conjuntos Invariantes

Formulação do Problema

O artigo introduz jogos de previsão-intervenção, uma classe específica de jogos de Stackelberg de dois jogadores envolvendo um líder e um seguidor.

• O Líder: Compromete-se com uma função de previsão $f: \mathcal{X} \to \mathcal{A}$ baseada em dados de treinamento observacionais gerados por um Modelo Causal Estrutural (SCM) $\mathcal{C}_0$. O objetivo do líder é minimizar o risco (por exemplo, erro quadrático médio ou perda de classificação) sob a distribuição induzida pela reação do seguidor.
• O Seguidor: Observa a função implantada $f$ e intervém estrategicamente em covariáveis específicas (filhos de um nó de intervenção $E$ no grafo causal) para maximizar sua própria utilidade $V^{foll}$. A intervenção do seguidor pode alterar as atribuições estruturais do SCM, potencialmente adicionando novas arestas ao grafo causal, deslocando assim a distribuição de teste.
• O Desafio: O líder enfrenta um problema de otimização bilevel: $\min_f \sup_{e \in E^*(f)} R^{lead}_e(f)$, onde $E^*(f)$ é o conjunto de ambientes que maximizam a utilidade do seguidor. Isso é geralmente difícil de resolver, especialmente quando o objetivo do seguidor é desconhecido ou quando o líder carece de conhecimento completo do grafo causal.

Metodologia

Os autores propõem estratégias baseadas em subconjuntos invariantes de covariáveis para alcançar robustez contra intervenções do seguidor.

1. Conjuntos Invariantes e o Cobertor Estável

A principal insight teórica é que preditores baseados em subconjuntos invariantes (conjuntos $S$ onde $Y \perp\!\!\perp E \mid X_S$) são robustos a deslocamentos de covariáveis induzidos por intervenções que não afetam a distribuição condicional $Y \mid X_S$.

• Pais Causais ($PA(Y)$): Uma escolha comum em previsão estratégica causal. Embora robusto a intervenções em descendentes de $Y$, pode ser subótimo se filhos não intervencionados de $Y$ carreguem informações estáveis.
• Cobertor Estável ($SB(Y)$): Os autores utilizam o cobertor estável, definido como $SB(Y) := PA(Y) \cup (CH(Y) \setminus DE(Y)_{forb}) \cup PA(CH(Y) \setminus DE(Y)_{forb})$, onde $DE(Y)_{forb}$ representa os filhos intervencionados de $Y$ e seus descendentes.
  • Propriedade Chave: $SB(Y)$ é um subconjunto invariante que captura mais informações sobre $Y$ do que apenas $PA(Y)$, excluindo ao mesmo tempo variáveis manipuláveis.
  • Independência do Grafo: Sob suposições leves sobre os conjuntos de ação do seguidor, o cobertor estável computado no DAG de treinamento ($G_0$) é idêntico ao do DAG de implantação ($G$), permitindo que o líder o compute sem conhecer as arestas específicas adicionadas pelo seguidor.

2. Garantias Teóricas

O artigo estabelece dois resultados teóricos primários:

• Domínio sobre os Pais: Para duas classes comuns de objetivos do seguidor (maximização de risco adversarial e maximização de previsão penalizada por custo), preditores baseados no cobertor estável ($f_{SB(Y)}$) são garantidamente pelo menos tão bons quanto, e frequentemente melhores do que, aqueles baseados em pais causais ($f_{PA(Y)}$). Especificamente, $\sup_{e \in E^*(f_{SB(Y)})} R_e(f_{SB(Y)}) \leq \sup_{e \in E^*(f_{PA(Y)})} R_e(f_{PA(Y)})$.
• Optimalidade no Pior Caso: O risco pós-intervenção do líder é limitado superiormente pelo risco do pior caso sobre todas as intervenções permitidas. Os autores provam que, sob condições específicas (Suposições A1 ou A2 relativas a "intervenções fortes"), o preditor do cobertor estável é optimal no pior caso entre todos os preditores mensuráveis. Eles também fornecem contraexemplos mostrando que essas condições não podem ser descartadas em geral.

3. Métodos de Aprendizado para Grafos Desconhecidos

Quando o grafo causal é desconhecido, os autores propõem métodos orientados por dados para identificar subconjuntos invariantes:

• Preditor Mais Preditivo Invariante (IMP): Seleciona o subconjunto invariante com a maior pontuação preditiva.
• Classificação Estabilizada (SC): Um método de ensemble que estende a "Regressão Estabilizada" para classificação. Ele agrega preditores sobre todos os subconjuntos que passam em um teste de invariância e um limiar de preditividade, ponderados uniformemente. Esta abordagem não requer conhecimento prévio do grafo causal.

Resultados Principais

A metodologia foi validada através de experimentos sintéticos e do mundo real:

1. Experimentos Sintéticos:

   • Tanto em SCMs lineares-Gaussianos quanto não lineares, preditores baseados no cobertor estável ($SB(Y)$) superaram consistentemente aqueles baseados em pais causais ($PA(Y)$) e preditores de todas as variáveis.
   • Os preditores do cobertor estável mantiveram Erro Quadrático Médio (MSE) constante (ou quase constante) através de limites de intervenção variáveis, enquanto preditores de todas as variáveis tornaram-se altamente instáveis à medida que a força da intervenção aumentava.
   • No cenário não linear, erros de regressão de amostra finita causaram leve instabilidade em preditores invariantes, mas isso diminuiu conforme o tamanho da amostra de treinamento aumentou, confirmando expectativas teóricas.

2. Dados do Mundo Real (Câmaras Causais):

   • Usando um dispositivo físico de túnel de luz, os autores simularam um jogo de previsão-intervenção onde um seguidor podia manipular leituras de sensores.
   • Quando o grafo causal foi assumido como conhecido (mas potencialmente incorreto devido a confusão oculta), um preditor baseado no cobertor estável "inacurado" performou pior do que um subconjunto maior.
   • Crucialmente, o método de Classificação Estabilizada (SC), que depende puramente de dados sem suposições de grafo, identificou com sucesso o subconjunto invariante correto (incluindo variáveis perdidas pela suposição de grafo incorreta) e alcançou o menor MSE sob a intervenção escolhida pelo seguidor. Isso demonstra a robustez do método a suposições causais incorretas.

Significado e Alegações

O artigo alega fazer as seguintes contribuições:

• Formalização: Introduz formalmente jogos de previsão-intervenção, conectando classificação estratégica à generalização de distribuição causal e análise do pior caso.
• Optimalidade de Cobertores Estáveis: Prova que, para amplas classes de objetivos do seguidor, usar o cobertor estável é uma estratégia estritamente superior ou igual a usar apenas pais causais, fornecendo uma justificativa teórica para incluir filhos não intervencionados da variável de resposta.
• Robustez sem Conhecimento do Grafo: Demonstra que métodos de ensemble orientados por dados (como Classificação Estabilizada) podem alcançar o desempenho de estratégias ótimas baseadas em grafo mesmo quando o grafo causal é desconhecido ou mal especificado.
• Aplicabilidade Prática: O trabalho preenche a lacuna entre invariância causal teórica e cenários estratégicos práticos, oferecendo algoritmos concretos para líderes que enfrentam agentes de auto-otimização.

Os autores notam que seus resultados dependem de suposições de "intervenções fortes" e que resolver o jogo geral de previsão-intervenção permanece um problema difícil. Eles sugerem que trabalhos futuros poderiam explorar condições de intervenção mais fracas, seguidores heterogêneos e análise de amostra finita.