Resumo Técnico: CAUSALGUARD

Declaração do Problema

A estimativa de efeitos de tratamento individualizados (Efeito Médio de Tratamento Condicional, ou CATE) a partir de dados observacionais requer a seleção de um conjunto de ajuste válido para bloquear a confusão. Essa seleção é contingente ao Grafo Acíclico Direcionado (DAG) causal subjacente, que raramente é conhecido na prática.

• Especificação Incorreta do Grafo: Confiar em um único grafo, potencialmente incorreto, pode levar a conjuntos de ajuste inválidos (por exemplo, omitir confundidores ou ajustar para coliders), destruindo a identificação ou induzindo viés.
• Limitações dos Métodos Conformais Atuais: Embora a inferência conformal ofereça garantias de cobertura livres de distribuição e para amostras finitas, os "wrappers" padrão "agnósticos ao grafo" frequentemente falham em fornecer cobertura válida para o estimando causal se o conjunto de ajuste subjacente for inválido. Além disso, a média de intervalos de múltiplos grafos após a calibração introduz uma lacuna de Jensen, levando a intervalos desnecessariamente largos (grande margem) para recuperar a cobertura nominal.

Metodologia: CAUSALGUARD

Os autores propõem o CAUSALGUARD, um framework conformal ponderado por estrutura que integra a incerteza do grafo diretamente no processo de calibração conformal, em vez de tratá-lo como uma fonte de erro post-hoc. O pipeline prossegue em quatro etapas:

1. Elicitação Probabilística de Priori Estrutural

Em vez de assumir um grafo fixo, o método constrói uma distribuição de proposta sobre DAGs candidatos:

• Priors Derivados de LLM: Um modelo de linguagem autoregressivo pré-treinado é consultado para estimar probabilidades de arestas ($P_{prior}(u \to v)$) com base em descrições de domínio. Estes servem como um mecanismo de proposta, não como uma fonte de verdade garantida.
• Amostragem de DAG: DAGs candidatos são amostrados a partir dessa priori, respeitando metadados temporais (por exemplo, o tratamento precede o resultado) para garantir a aciclicidade.

2. Poda Estatística e Ponderação Bayesiana

• Poda por Independência Condicional (IC): Arestas espúrias em grafos amostrados são podadas usando o teste $z$ de Fisher para independência condicional nos dados de treinamento ($D_{train}$).
• Reponderação BIC: Os grafos candidatos restantes são pontuados usando o Critério de Informação Bayesiano (BIC) combinado com a priori estrutural. Estratégias de ajuste duplicadas são colapsadas, e os pesos ($w_k$) são normalizados para formar uma distribuição posterior sobre conjuntos de ajuste únicos.

3. Estimativa Duplamente Robusta Condicional ao Grafo

Para cada grafo candidato $G_k$ (e seu conjunto de ajuste implícito $Z_k$):

• Estimação de Variáveis de Incômodo: Modelos de variáveis de incômodo duplamente robustos (escores de propensão e regressões de resultado) são ajustados em $D_{train}$.
• Geração de Pseudo-Resultados: Pseudo-resultados de Ponderação Inversa de Probabilidade Aumentada (AIPW) ($\tilde{Y}^{(k)}$) e limites heurísticos são computados.

4. Calibração Conformal Ponderada por Estrutura

Esta é a inovação central. Em vez de calibrar grafos individuais e médias dos resultados, o CAUSALGUARD:

• Agrupa Primeiro: Calcula um pseudo-resultado ponderado pela posterior ($\bar{\gamma}$) e limites agregados combinando as estimativas condicionais ao grafo usando os pesos BMA.
• Pontuação Composta: Um único escore de não conformidade é definido sobre esse alvo agregado: $E_i = \max(\bar{q}_{low} - \bar{\gamma}_i, \bar{\gamma}_i - \bar{q}_{high})$.
• Calibração: O limiar conformal $\hat{Q}$ é derivado da distribuição desses escores compostos no conjunto de calibração ($D_{cal}$).
• Intervalo Final: O intervalo de saída é $\hat{C}(x) = [\bar{q}_{low}(x) - \hat{Q}, \bar{q}_{high}(x) + \hat{Q}]$.

Contribuições Principais

1. Inferência Conformal Ponderada por Estrutura: Um framework inovador que agrega pseudo-resultados duplamente robustos condicionais ao grafo via uma pontuação composta ponderada pela posterior, transferindo a incerteza estrutural diretamente para a etapa de calibração.
2. Pontuação de Agrupar-Antes-de-Calibrar: Prova teórica (Proposição 1) de que calibrar o alvo agregado diretamente evita a lacuna de Jensen inerente à média de intervalos específicos do grafo, resultando em intervalos mais estreitos para a mesma garantia de cobertura.
3. Construção de Ensemble de Grafos: Um procedimento prático combinando propostas de arestas derivadas de LLM, poda baseada em IC e reponderação BIC. A priori LLM atua como uma distribuição de proposta para amostras finitas, enquanto a verossimilhança dos dados (via BIC) domina à medida que o tamanho da amostra aumenta.
4. Garantias Teóricas:
   • Validade para Amostras Finitas: O Teorema 1 estabelece cobertura marginal livre de distribuição para o pseudo-resultado agregado ($\bar{\gamma}$) sob trocabilidade, sem assumir que qualquer grafo candidato está correto.
   • Consistência Assintótica: O Corolário 2 demonstra que, sob identificação causal, sobreposição, estabilidade de variáveis de incômodo e concentração de pontuação em estratégias válidas, a média condicional do alvo agregado converge para o verdadeiro CATE.

Resultados Empíricos

O método foi avaliado em cinco benchmarks (IHDP, Sachs, ACIC2019, Jobs, Twins) com 10 sementes aleatórias por conjunto de dados.

• Cobertura: O CAUSALGUARD consistentemente alcançou cobertura média acima do nível nominal de 90% para o alvo diretamente avaliável (verdadeiro CATE em IHDP/Twins; pseudo-resultado ponderado em outros).
• Eficiência: O método reduziu significativamente a largura do intervalo em comparação com baselines conformais agnósticas ao grafo (por exemplo, Conformal Causal Forest, Conformal Naive DR), particularmente em conjuntos de dados onde a incerteza do conjunto de ajuste impulsiona a ineficiência (por exemplo, IHDP e Jobs).
• Robustez a Ajustes Inválidos: Testes de estresse envolvendo a injeção de uma variável colider mostraram que o CAUSALGUARD suprimiu com sucesso ajustes de colider inválidos (via metadados temporais e poda por IC), mantendo alta cobertura e baixo RMSE, enquanto as baselines ingênuas sofreram subcobertura severa.
• Sensibilidade à Priori: Em regimes de baixa quantidade de dados, a priori LLM ajuda a organizar a busca. No entanto, à medida que o tamanho da amostra aumenta, a ponderação BIC faz com que a priori "se dissolva", tornando o intervalo final cada vez mais orientado por dados. O método permanece estável mesmo sob priores adversários ou não informativos quando os dados são informativos.

Significado e Alegações

O artigo posiciona o CAUSALGUARD como uma solução para a tensão entre a necessidade de ajuste causal válido e a incerteza da estrutura do grafo subjacente.

• Mudança de Paradigma: Afasta-se de "selecionar o melhor grafo" ou "adicionar margem para incerteza do pior caso". Em vez disso, trata o conjunto de ajuste como incerto e propaga essa incerteza através da construção do intervalo.
• Utilidade Prática: O método é mais eficaz quando a inflação do intervalo é impulsionada pela incerteza nas escolhas de ajuste, em vez de ruído de resultado irreduzível. Oferece uma maneira de aproveitar priores semânticos (LLMs) para busca em amostras finitas, enquanto garante validade assintótica através de reponderação orientada por dados.
• Limitações: Os autores observam que o método assume suficiência causal e atualmente escala para tamanhos de grafo moderados devido à natureza combinatória da geração de candidatos. Garante cobertura para o pseudo-resultado agregado; a convergência para o verdadeiro CATE depende de suposições adicionais sobre alinhamento do alvo e estabilidade de variáveis de incômodo.

Em resumo, o CAUSALGUARD oferece uma abordagem livre de distribuição e válida para amostras finitas para estimativa de efeitos de tratamento sob incerteza de grafo, alcançando intervalos mais estreitos do que métodos agnósticos ao grafo ao calibrar um alvo ponderado por estrutura em vez de médias de intervalos calibrados.