📊 statistics

EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning

O artigo propõe o EML-CD, um framework de descoberta causal que integra árvores simbólicas EML para aprender simultaneamente estruturas DAG e recuperar mecanismos causais interpretáveis em forma fechada, demonstrando precisão estrutural competitiva e recuperação de mecanismos superior em comparação com baselines existentes em conjuntos de dados reais e sintéticos.

Autores originais: Sota Asanuma

Publicado 2026-06-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sota Asanuma

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 que você é um detetive tentando resolver um mistério: quem está influenciando quem em um sistema complexo? Pode ser uma rede de proteínas no seu corpo, ou um conjunto de variáveis em um experimento de física.

Por muito tempo, os "detetives de IA" modernos (Redes Neurais) foram muito bons em desenhar o mapa de conexões (a estrutura). Eles podem te dizer: "Sim, a Proteína A influencia a Proteína B". Mas eles são péssimos em explicar como. Eles tratam o relacionamento como uma "caixa preta". Você sabe que a porta está aberta, mas não consegue ver as engrenagens girando lá dentro.

Um estudo anterior apontou uma falha importante: tentar fazer a engenharia reversa do "como" a partir de uma caixa preta é como tentar adivinhar uma receita secreta apenas provando a sopa final; é matemisticamente impossível ter certeza de que você acertou.

Apresentamos o EML-CD. Este artigo introduz uma nova ferramenta de detetive que não apenas desenha o mapa; ela escreve a receita exata para cada conexão.

A Ideia Central: A Máquina de "Lego"

Os autores utilizam uma ferramenta matemática especial chamada operador EML. Pense nisso como um único e mágico bloco de Lego.

Você pode encaixar dois blocos para fazer uma nova forma.
Ao empilhar esses blocos em uma estrutura específica em forma de árvore, você pode construir qualquer função matemática padrão (como elevar um número ao quadrado, tirar uma raiz quadrada ou usar ondas senoidais).

Em vez de deixar a IA construir uma caixa preta gigante e inexplicável, o EML-CD força a IA a construir suas respostas usando apenas esses blocos de Lego específicos e compreensíveis.

Como Funciona (A Dança de Dois Passos)

O método funciona em duas fases, como uma dança de dois passos:

A Rodada de Treino (Pré-treinamento): O sistema observa cada par possível de variáveis (ex: Proteína A e Proteína B) e tenta construir a melhor "máquina de Lego" possível para prever B a partir de A. Ele aprende a forma do relacionamento.
O Mapa Final (Construção Gananciosa/Greedy): Ele pega todas essas rodadas de treino e constrói o mapa final. Ele escolhe as conexões mais fortes, garante que não haja loops (A causa B, B causa C, mas C não causa A) e descarta os elos fracos.

O Truque de Mágica: Como a máquina é construada a partir de "blocos de Lego" (as árvores EML), o resultado final não é uma caixa preta. Ele cospe uma equação de forma fechada.

Jeito Antigo: "A Proteína A afeta a Proteína B." (Fim da história).
Jeito EML-CD: "A Proteína A afeta a Proteína B por meio desta fórmula específica: $B = \text{uma mistura complexa de } A \text{ e constantes}$ ."

O Que Eles Descobriram?

Os autores testaram o método em três "casos de mistério" diferentes:

1. O Teste do Mundo Real (Dados de Proteínas Sachs)
Eles testaram o método em um conjunto de dados real de 11 proteínas envolvidas na sinalização celular.

O Resultado: O EML-CD foi tão bom quanto os melhores métodos existentes em desenhar o mapa correto.
O Bônus: Diferente dos outros, ele forneceu as equações reais para as conexões. Por exemplo, descobriu que a relação entre duas proteínas não era apenas uma linha reta; era uma curva que mudava de comportamento dependendo do nível da proteína. Isso é como descobrir que um interruptor de luz não apenas liga ou desliga, mas na verdade dimeriza a luz dependendo de quão forte você o pressiona.

2. O Teste da "Resposta Conhecida" (Dados Sintéticos)
Eles criaram um mundo falso onde conheciam as regras matemáticas exatas de antemão.

O Resultado: Quando as regras eram simples (como linhas retas ou curvas suaves), o EML-CD recuperou as fórmulas matemáticas exatas em 10 de 11 vezes.
A Estabilidade: Eles compararam com outro método (SINDy) que utiliza um dicionário fixo de palavras. O dicionário fixo às vezes falhava e dava respostas absurdamente erradas (como um dicionário que de repente começa a definir "gato" como "avião"). O EML-CD permaneceu estável e confiável, mesmo quando não conseguia capturar perfeitamente as curvas mais complexas e sinuosas.

3. O Teste de Física (Câmaras Causais)
Eles testaram em um experimento de túnel de luz governado por leis da física.

O Resultado: Uma versão simples da ferramenta deles (profundidade-2) superou os métodos lineares padrão. Percebeu-se que a física envolvia curvas, não apenas linhas retas. No entanto, se tornassem a ferramenta complexa demais (profundidade-3), ela ficava confusa com a pequena quantidade de dados. Isso nos ensina que "maior nem sempre é melhor"; às vezes, uma ferramenta mais simples é mais confiável.

A Conclusão

O EML-CD é uma nova forma de descoberta causal que se recusa a ser uma caixa preta.

Mantém a precisidade: Encontra as conexões corretas tão bem quanto os principais métodos de IA.
Adiciona o "Porquê": Fornece a fórmula matemática real de como uma coisa altera outra.
Explica o "Quanto": Por possuir a fórmula, pode calcular exatamente o quanto o efeito muda se você ajustar a entrada (usando algo chamado "Jacobiano analítico").

Limitações:
O artigo admite que ainda não é perfeito.

Ele tem dificuldade se duas variáveis interagem de uma forma muito complexa que exija que elas sejam multiplicadas entre si antes de entrarem na fórmula (embora tenham um protótipo para corrigir isso).
Funciona melhor em conjuntos de dados menores (até cerca de 20 variáveis).
A fórmula matemática exata encontrada pode variar ligeiramente dependendo de como o computador inicia o cálculo (sementes aleatórias), portanto, não é sempre 100% idêntica todas as vezes.

Em resumo, o EML-CD é uma ferramenta que permite ver as engrenagens dentro da máquina, dando aos cientistas não apenas um mapa do território, mas as plantas reais de como o território funciona.

Resumo Técnico: EML-CD – Recuperação de Mecanismo Causal via Árvores Simbólicas EML

1. Definição do Problema

Os métodos atuais de descoberta causal enfrentam um compromisso fundamental entre precisão estrutural e interpretabilidade mecanística. Embora métodos de otimização contínua (ex: NOTEARS, GOLEM) e modelos de ruído aditivo baseados em redes neurais (ex: GraNDAG, NOTEARS-MLP) alcancem alta precisão na recuperação de estruturas de Grafos Acíclicos Dirigidos (DAGs), eles representam mecanismos causais como redes neurais de "caixa-preta". Como argumentado por Waxman et al. [22], extrair formas funcionais específicas dos pesos de uma rede neural é um problema mal posto; os pesos não identificam unicamente o mecanismo subjacente. Consequentemente, os métodos existentes não podem fornecer equações de forma fechada para prever efeitos de intervenção ou analisar funções de efeito causal quantitativamente. Ferramentas de explicação post-hoc (SHAP, LIME) oferecem apenas aproximações locais, e modelos baseados em splines (CAM) não podem ser extraídos como equações simbólicas. Nenhum framework existente recupera conjuntamente a estrutura causal e mecanismos de forma fechada arbitrários dentro de um único processo de aprendizagem.

2. Metodologia: EML-CD

O EML-CD (EML-based Causal Discovery) aborda essa lacuna integrando o operador EML [14] na aprendizagem de estrutura causal. O operador EML, definido como $eml(x, y) = \exp(x) - \ln(y)$ , é funcionalmente completo para funções elementares quando composto via uma gramática $S \to 1 \mid eml(S, S)$ .

2.1 Representação por Árvore EML

Em vez de usar redes neurais, o EML-CD representa cada mecanismo de aresta $f_{j,i}(X_i)$ como uma árvore binária EML com portão (gated) de profundidade limitada $D$ .

Estrutura: A árvore é uma árvore binária completa onde os nós internos aplicam o operador EML ou o ignoram via um mecanismo de portão (gating).
Portão (Gating): Um portão de profundidade $\sigma(\gamma)$ controla a complexidade. Se $\gamma \ll 0$ , o nó ignora a operação EML (degenerando para um caminho linear); se $\gamma \gg 0$ , a operação EML está ativa. Isso permite que o modelo realize a seleção baseada em dados entre mecanismos lineares e não lineares.
Treinamento: O modelo utiliza um esquema de recozimento determinístico (deterministic annealing schedule) para a temperatura do portão $\tau_g$ , variando de 1 para 0,02 durante o treinamento. Isso garante que os gradientes fluam livremente no início, enquanto os portões convergem para estados quase binários, resultando em uma equação de forma fechada com limiar rígido que representa fielmente a função suave treinada.
Estabilidade: Para evitar divergência numérica (ex: de $\exp$ ou $\ln$ ), o operador limita as entradas e saídas a limites específicos (ex: entrada de $\exp$ para $[-2, 2]$ , argumento de $\ln$ limitado inferiormente a 0,5).

2.2 Inferência em Duas Fases

O processo de aprendizagem consiste em duas fases distintas:

Pré-treinamento de Mecanismo: Para todos os $d(d-1)$ pares potenciais $(i, j)$ , uma árvore EML $T_{j,i}$ é treinada via Adam para minimizar o Erro Quadrático Médio (MSE). O melhor de três inicializações aleatórias é selecionado para cada par. Esta fase gera pontuações $R^2$ (poder preditivo) e parâmetros de árvore treinados.
Construção de DAG Gananciosa (Greedy): As arestas são adicionadas ao grafo em ordem decrescente de suas pontuações $R^2$ , mantendo estritamente a aciclicidade. Arestas com $R^2$ abaixo de um limiar $\tau$ são excluídas. A poda reversa opcional usando BIC (baseada em OLS) pode remover ainda mais arestas espúrias.

2.3 Identificabilidade e Direção

O EML-CD orienta as arestas com base na assimetria da qualidade de ajuste ( $R^2_{i \to j}$ vs. $R^2_{j \to i}$ ) em vez de testes de independência de resíduos. A restrição da classe de funções aos modelos EML torna o mecanismo anticausal mais difícil de representar, reduzindo naturalmente seu $R^2$ . Isso serve como um proxy heurístico para a identificabilidade do Modelo de Ruído Aditivo (ANM).

3. Principais Contribuições

Integração de Framework: O EML-CD é o primeiro framework que integra árvores simbólicas EML diretamente na aprendizagem de estrutura causal, anexando equações de forma fechada e Jacobianos analíticos a cada aresta detectada.
Interpretabilidade sem Sacrifício: Demonstra que adicionar interpretabilidade simbólica não necessariamente degrada a precisão da recuperação de estrutura em comparação com os baselines de estado da arte.
Recuperação Fiel de Mecanismos: Em ambientes controlados, o método recupera a forma funcional de funções elementares com alta fidelidade, em vez de apenas ajustar uma curva.
Efeitos Causais Analíticos: Ao derivar equações diretamente da estrutura da árvore, o EML-CD permite o cálculo de Jacobianos analíticos ( $\partial X_j / \partial X_i$ ), fornecendo quantificação de efeito causal dependente do estado, algo indisponível de coeficientes lineares ou derivadas numéricas de redes neurais.

4. Resultados Experimentais

4.1 Dados Reais: Sinalização de Proteína Sachs ( $d=11$ )

Recuperação de Estrutura: O EML-CD alcançou uma Distância de Hamming Estrutural (SHD) de 11,2 ± 0,4 (média de 5 sementes). Isso está em nível com PC e GES (SHD=11) e superior ao CAM (SHD=12).
Precisão/Recall: Alcançou a maior precisão (0,756) entre todos os métodos, embora o recall tenha sido menor (0,365), indicando uma preferência por arestas de alta confiança.
Mecanismos: O método recuperou com sucesso vias conhecidas (ex: Raf $\to$ Mek) com equações de forma fechada. Por exemplo, identificou um mecanismo não linear para PKC $\to$ P38 com um Jacobiano dependente do estado variando de -5,4 a +2,3, e um mecanismo linear para Erk $\to$ Akt.

4.2 Recuperação Bivariada Controlada

Em um teste com funções conhecidas de verdade fundamental ( $N=2000$ ), o EML-CD recuperou 10 de 11 famílias de funções elementares (linear, quadrática, cúbica, cos, tanh, exp, sqrt, sigmoid, log, abs) com correlação de forma em dados de teste $\ge 0,96$ . Apenas o seno de alta frequência ( $\sin(1.5x)$ ) mostrou recuperação parcial (0,84).

4.3 Benchmark Simbólico Sintético (S-Sym)

Estabilidade vs. Dicionários Fixos: Em um benchmark de SEM simbólico, o EML-CD alcançou um MSE de mecanismo $f$ médio de 3,67, significativamente menor e mais estável que um dicionário SINDy fixo (média 7644). O baseline SINDy sofreu de extrapolação catastrófica em uma das sementes.
Recuperação de Estrutura: O SHD estrutural (14,0) igualou o baseline de dicionário SINDy, mas permaneceu abaixo de otimizadores lineares especializados.
Limitação: Embora estável, o método não recuperou de forma confiável formas altamente não lineares (ex: saturação de tanh) com profundidade 2 e o tamanho de amostra dado.

4.4 Câmaras Causais (Subconjunto Light-Tunnel)

Em um sistema físico governado pela lei de Malus ( $\cos^2(\theta_1 - \theta_2)$ ), um modelo EML-CD de profundidade 2 melhorou o F1 (0,444) sobre o OLS-BIC linear (0,273). No entanto, modelos de profundidade 3 falharam neste cenário de pequena amostra. A incorporação de folhas sensíveis a interações e metadados de intervenção melhorou a precisão para 1,000, embora o recall tenha permanecido limitado.

5. Significância e Alegações

O artigo posiciona o EML-CD como uma prova de conceito demonstrando que a interpretabilidade simbólica do mecanismo causal pode ser integrada na aprendizagem de estrutura sem sacrificar a precisão estrutural.

Conquista Central: Ele contorna a natureza mal posta da extração de mecanismos por redes neurais ao restringir o espaço de busca a uma classe de funções EML de dimensão finita e interpretável.
Valor Prático: A capacidade de gerar Jacobianos analíticos permite a previsão quantitativa de efeitos de intervenção e análise causal dependente do estado, o que é impossível com métodos padrão de apenas DAG.
Modéstia: Os autores reconhecem explicitamente as limitações:
- O método atualmente assume mecanismos aditivos univariados e não pode representar nativamente interações entre variáveis (ex: $\cos^2(\theta_1 - \theta_2)$ ) sem extensões específicas.
- A recuperação estrutural em benchmarks sintéticos iguala os baselines de dicionário, mas ainda não supera otimizadores lineares especializados.
- A estabilidade das equações recuperadas entre as sementes requer melhorias adicionais.
- O próprio operador EML é um desenvolvimento recente ainda não validado de forma independente em larga escala.

O trabalho conclui que o EML-CD fornece evidências iniciais de que anexar equações de forma fechada a grafos causais é viável, oferecendo um caminho para modelos causais transparentes e analiticamente tratáveis.