Resumo Técnico: Descoberta Causal com Confundimento Latente via Geometria de Lie-Bracket

1. Definição do Problema

A descoberta causal enfrenta um gargalo combinatório fundamental: o espaço de possíveis Grafos Acíclicos Dirigidos (DAGs) cresce super-exponencialmente com o número de variáveis. Métodos existentes, como buscas baseadas em escore (ex: GES, NOTEARS) ou abordagens baseadas em restrições (ex: FCI), têm dificuldade com essa escala, particularmente na presença de confundimento latente. Métodos tradicionais de variáveis latentes frequentemente dependem de suposições estruturais fortes (ex: esparsidade, linearidade ou uma não-gaussianidade específica) ou exigem busca exaustiva sobre Classes de Equivalência de Markov (MECs), o que oferece apenas uma redução de fator constante na complexidade do espaço de busca.

O artigo postula que o confundimento latente não é meramente um nó ausente, mas uma obstrução ao transporte coerente de informação causal entre os regimes observacional e intervencional. Quando existem variáveis não observadas, a variedade estatística exibe curvatura que impede que os fluxos de intervenção locais comutem, uma propriedade que algoritmos padrão de busca em grafos falham em explorar diretamente.

2. Estrutura Teórica: Kan-Do-Calculus (KDC)

O artigo baseia-se no Kan-Do-Calculus (KDC), que recodifica a inferência causal através da teoria das categorias.

• Bi-adjunção Categórica: A distinção entre condicionamento passivo e intervenção ativa é modelada como uma bi-adjunção:
  $$\text{Lan}_K \dashv K^* \dashv \text{Ran}_K$$
  • Extensão à Esquerda de Kan ($\text{Lan}_K$): Modela a intervenção ($P(Y | \text{do}(X))$) como um operador de pushforward universal.
  • Extensão à Direita de Kan ($\text{Ran}_K$): Modela o condicionamento ($P(Y | X)$) como um operador de pullback universal.
  • Pré-composição ($K^*$): Representa a interface observacional.
• Tradução Geométrica: Quando transportados para variedades estatísticas suaves, as derivadas de Radon–Nikodym entre medidas observacionais e intervencionais induzem campos vetoriais causais locais.
• Obstrução Latente: Se o sistema estiver livre de confundimento latente, esses campos vetoriais devem ser integráveis (seus colchetes de Lie fecham dentro do span visível). O confundimento latente manifesta-se como um resíduo de Lie bracket não nulo ($[v_i, v_j] \neq 0$), representando uma curvatura geométrica que não pode ser explicada pelas variáveis observadas.

3. Metodologia

O artigo introduz dois algoritmos: BRIDGE (um pipeline de triagem modular) e SKFM (um método de inferência geométrica de ponta a ponta).

3.1 BRIDGE: Bracket Residuals para Descoberta Intervencional e Estimativa Geométrica

O BRIDGE é um pipeline de dois estágios projetado para reduzir o espaço de busca antes de aplicar algoritmos de escore padrão.

1. Estimativa de Densidade Intervencional: Utiliza um motor de densidade (ex: Gaussiana regularizada, Fluxos de Normalização) para estimar a razão de Radon–Nikodym $\rho_i = dP_{\text{do}(X_i)} / dP_{\text{obs}}$. Isso define um campo vetorial local $v_i \approx \nabla \log \rho_i$.
2. Triagem de Lie/Frobenius:
   • Computa o colchete de Lie $[v_i, v_j] = \nabla v_j \cdot v_i - \nabla v_i \cdot v_j$ para pares de intervenções.
   • Pontuação Assimétrica: Mede a influência dirigida via redução de variância sob reponderação.
   • Detecção de Latência: Brackets que não fecham (resíduos de Frobenius) são sinalizados como candidatos a obstrução latente ou incompatibilidade de regime.
3. Redução da Família de Candidatos: A triagem geométrica produz uma máscara de alta revocação de setas admissíveis, filtrando direções inconsistentes com a integrabilidade local.
4. Pontuação Downstream: Um pontuador padrão (ex: GES, TCES, BIC) opera apenas sobre a família de DAGs podada.

3.2 SKFM: Spectral Kan-Do Flow Matching

O SKFM é um algoritmo diferenciável de ponta a ponta que tenta recuperar o grafo diretamente da geometria aprendida, contornando a etapa de busca discreta.

1. Amortização de Flow Matching: Utiliza Conditional Flow Matching (CFM) para aprender uma única rede neural $f_\theta$ que parametriza os campos de intervenção para todas as variáveis simultaneamente, evitando a necessidade de $d$ modelos independentes.
2. Fatoração Espectral de Fatores Latentes:
   • Constrói uma Matriz de Gram de Curvatura Causal $G$ a partir das normas ao quadrado dos colchetes de Lie.
   • Realiza a decomposição em autovalores para identificar a assinatura de curvatura latente. O posto de $G$ estima a dimensionalidade do subespaço de confundimento latente.
   • Projeta os campos vetoriais no complemento ortogonal do subespaço latente para "descascar" o confundimento.
3. Restrição de Álgebra de Lie Solúvel: Impõe a aciclicidade através de uma penalidade suave nas constantes de estrutura da álgebra de Lie, garantindo que o grafo extraído corresponda a uma subálgebra solúvel (triangular).
4. Extração de Grafo: Extrai diretamente a matriz de adjacência a partir dos escores de influência aprendidos e das projeções espectrais, sujeito a uma ordem topológica.

4. Resultados Principais

Os experimentos validam o framework através de conjuntos de dados sintéticos e do mundo real:

• Cadeias Sintéticas (Confundimento Latente):

  • Em uma cadeia de 7 nós com um confundidor de extremidade, o BRIDGE reteve todas as 6 arestas verdadeiras enquanto reduziu o conjunto de setas candidatas de 42 para 21.
  • O pontuador TCES/BIC downstream nesta família podada alcançou um F1 dirigido médio de $\approx 0.86$ em DAGs aleatórios de 10 nós, superando significativamente a busca direta.
  • O SKFM recuperou com sucesso estruturas de cadeia exatas quando a ordem topológica verdadeira foi fornecida, contornando o pontuador combinatório.

• Motivos Não-Cadeia (Diamante, Colisor/Garfo):

  • Máscaras de influência padrão falharam em reter todas as arestas verdadeiras em motivos complexos.
  • Resgate por Curvatura Espectral: O uso da decomposição espectral do espectro de Lie bracket para identificar assinaturas latentes restaurou a recall perfeita de candidatos para os motivos Diamante e Colisor/Garfo.
  • Calibragem SKFM: Com regularização de continuidade e pontuação de gradiente de contaminação, o SKFM alcançou recuperação exata nesses motivos, embora tenha permanecido instável em DAGs aleatórios gerais sem um pontuador downstream.

• Benchmarks do Mundo Real:

  • Sachs Protein Signaling: A triagem geométrica reduziu o espaço de busca em 60%, preservando quase toda a estrutura selecionada pelo GES agrupado. No entanto, o método identificou uma "fronteira de calibração": as correlações de continuidade em dados reais (0.587) foram significativamente menores do que nos regimes sintéticos, levando a alta precisão, mas baixa revocação. O artigo trata isso como um diagnóstico de não-estacionaridade dos dados, em vez de uma falha do método.
  • S9 Gene Expression: Sobre um painel de 9 genes sem um padrão ouro, a triagem geométrica comprimiu a família de DAGs rotulados de $\approx 10^{15}$ para $\approx 1.2 \times 10^5$ candidatos acíclicos, demonstrando tratabilidade para escala real.
  • PISA 2022: Aplicado a variáveis de tendência da OCDE, o método produziu um grafo compacto consistente com as afirmações causais de base, servindo como um diagnóstico de descoberta.

5. Significância e Alegações

O artigo apresenta as seguintes contribuições:

1. Reenquadramento Geométrico da Latência: Estabelece que o confundimento latente é uma obstrução geométrica irredutível (Lie bracket não nulo) em vez de apenas um nó ausente. Isso permite a detecção de estrutura oculta sem assumir esparsidade ou formas paramétricas específicas.
2. Compressão do Espaço de Busca: A principal contribuição prática é o pipeline BRIDGE, que utiliza a geometria local de Lie/Frobenius para podar a família de setas admissíveis antes da pontuação. Isso converte um problema de busca super-exponencial em uma otimização restrita tratável, alcançando alta revocação de arestas verdadeiras enquanto reduz o espaço de busca em ordens de magnitude (ex: compressão de $10^4\times$ a $10^9\times$).
3. Inferência Geométrica de Ponta a Ponta: O SKFM demonstra que, sob condições específicas (cadeias ordenadas, campos calibrados), a descoberta causal pode ser realizada diretamente no espaço de campo de álgebra de Lie aprendido, recuperando dimensões latentes e estrutura de grafo sem enumeração combinatória.
4. Consistência Categórica: O trabalho fornece uma lente teórica unificada onde intervenções, condicionamento e contrafatuais (formalizados como transporte paralelo e holonomia) são consistentes com a bi-adjunção Kan-Do.

Limitações e Modéstia:
O artigo é modesto quanto às suas alegações de recuperação de grafos gerais. Ele afirma explicitamente que a extração direta via SKFM é instável para DAGs aleatórios gerais e não ordenados sem um pontuador downstream. A heurística de extração de grafo "Passo 9" permanece um gargalo para motivos não-cadeia. Além disso, em dados biológicos reais (Sachs), o método identifica uma fronteira de calibração onde as correlações de continuidade caem, sugerindo que, embora a triagem geométrica seja robusta, a recuperação total de grafos biológicos complexos requer um melhor tratamento de mismatch de regime e loops de feedback. As garantias teóricas (Proposições 5.1, 7.1, 7.2) são assintóticas e dependem de pressupostos de regularidade, margem e gap de autovalores.

Em resumo, o artigo propõe um pipeline prático de triagem geométrica que reduz efetivamente o espaço de busca da descoberta causal e fornece um relato calibrado de quando a extração direta do espaço de Lie é viável versus quando um pontuador downstream é necessário.