📊 statistics

Differentiable Cyclic Causal Discovery Under Unmeasured Confounders

该论文提出了 DCCD-CONF，一种新颖的可微框架，能够有效利用干预数据恢复非线性循环因果图并识别未观测到的混杂因素，在提供理论一致性保证的同时，其性能优于现有方法。

原作者： Muralikrishnna G. Sethuraman, Faramarz Fekri

发布于 2026-01-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Muralikrishnna G. Sethuraman, Faramarz Fekri

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一名正在试图弄清楚一台复杂机器如何运作的侦探。你面前有一堆会动的旋钮（变量），你想知道：是转动旋钮 A 导致了旋钮 B 的移动，还是旋钮 B 导致了旋钮 A 的移动？

通常，侦探有两个让工作变得更容易的大规则：

没有时间旅行： 他们假设没有任何事物会形成闭环（A 导致 B，B 导致 C，但 C 绝不会 再导致 A）。
没有隐藏嫌疑人： 他们假设自己能看到房间里的每一个旋钮。

但在现实世界中——尤其是在生物学领域——这些规则经常被打破。机器存在反馈回路（时间旅行！），而且往往存在一些你看不到的隐藏旋钮（混杂因素），它们在暗中同时推动着旋钮 A 和旋钮 B。

这篇论文介绍了一种新的侦探工具，叫做 DCCD-CONF。它是这样工作的，我们使用简单的类比来解释：

1. 问题所在：“隐形木偶师”

在许多复杂系统（如细胞中的基因）中，两件事物之所以同步移动，并不是因为其中一个推动了另一个，而是因为一个隐形的木偶师（未测量的混杂因素）同时拉动了两根线。

旧工具要么假设木偶师不存在，要么在遇到循环系统（比如衔尾蛇）时会感到困惑。
这个新工具是专门为了识别这些隐形木偶师并处理这些循环而设计的。

2. 解决方案：一个“智能模拟器”

该工具并没有试图一次性解决一个巨大的、不可能完成的数学难题，而是构建了一个智能模拟器（神经网络）。

设置： 想象你有一个黑匣子。你输入一些噪声（随机静电），它就会输出你那些旋钮的行为。
诀窍： 这个模拟器的构建方式是：如果你知道了旋钮的状态，它就可以反向推导来猜测噪声。如果旋钮 A 和旋钮 B 的噪声是“相关的”（它们同步摆动），模拟器就会知道有一个隐形的木偶师将它们连接在一起。
学习过程： 该工具在玩一场“猜谜与校验”的游戏。它试图构建一张关于“谁导致了谁”的地图。它不断调整这张地图，直到模拟器能够完美预测真实世界的数据。如果地图错了，预测就会失败；如果地图对了，预测就能成功。

3. “干预”测试

为了确保侦探不仅仅是在瞎猜，该工具使用了干预手段。

想象你强行将旋钮 A 转到一个特定的设置（就像外科医生切断一根电线）。
如果旋钮 B 仍然移动，那么它就不是因为旋钮 A 的作用，而是因为那个隐形的木偶师。
论文展示了通过在不同的“强制”设置下测试系统，该工具可以理清真正的因果关系与隐藏的木偶师之间的关系，即使在存在循环的情况下也是如此。

4. 他们的发现

作者在两种类型的挑战上测试了他们的工具：

伪数据： 他们构建了带有已知循环和隐藏木偶师的计算机模拟实验。DCCD-CONF 在寻找真实地图和识别隐藏木偶师方面，比任何现有的工具都表现得更好。
真实数据： 他们使用了来自一项基因研究（黑色素瘤细胞）的真实数据。由于没有人知道这些基因的“真实”地图，他们测试了该工具是否能预测改变一个基因后会发生什么。DCCD-CONF 的预测能力最强，证明它比其他工具更深刻地理解了该系统。

核心结论

这篇论文提出了一种新方法，能够理清混乱的现实世界系统中的因果关系，在这些系统中：

事物可以循环往复。
存在影响结果的隐形因素。

它通过使用一种灵活的、基于学习的模拟器来实现这一点，这种模拟器会随着看到的更多数据（以及强制实验）而变得越来越聪明，其表现优于那些在复杂情况面前束手无策的旧方法。

技术摘要：存在未观测混杂因素的可微循环因果发现

问题陈述
因果发现旨在推断代表变量间因果关系的定向图结构。现有的算法通常依赖于两个限制性假设：(i) 底层因果图是定向无环图 (DAG)，以及 (ii) 所有变量都是可观测的（没有未观测到的混杂因素）。这些假设在现实世界的系统中经常被违反，特别是在表现出反馈循环（环路）和隐藏混杂因素的生物网络中。虽然有些方法处理了环路，另一些方法处理了混杂因素，但很少有方法能同时处理两者，尤其是在非线性设定下。此外，现有的处理带有混杂因素的循环图的方法通常假设线性关系或在可扩展性方面存在困难。本文解决了利用干预数据学习存在未观测混杂因素的非线性循环因果图的挑战。

方法论：DCCD-CONF
作者提出了 DCCD-CONF，一个用于在这种复杂条件下学习因果结构的微分框架。该方法由以下组件构建：

带有潜在混杂因素的结构方程模型 (SEM)：
系统使用包含有向边 ( $i \to j$ ) 和双向边 ( $i \leftrightarrow j$ ) 的定向混合图 (DMG) 进行建模。双向边代表了隐藏的混杂因素。作者并非将混杂因素建模为单独的潜在变量节点，而是将其建模为外生噪声项中的相关性。具体而言，噪声向量 $Z$ 服从高斯分布 $Z \sim \mathcal{N}(0, \Sigma_Z)$ ，其中协方差矩阵 $\Sigma_Z$ 中的非零非对角线元素表示变量之间的混杂关系。
通过隐式流实现的微分因果机制：
为了处理循环和非线性，因果机制使用隐式流进行建模。结构方程定义为 $X = F(X, Z)$ ，其中 $F$ 是由神经网络参数化的函数。为了确保存在唯一的不动点（平衡态）和可逆性，作者通过特定的形式强制执行收缩映射： $F(x, z) = -g_x(x) + g_z(z) + z$ ，其中 $g_x$ 和 $g_z$ 是收缩函数（通过谱归一化强制执行）。这允许使用求根算法（例如 Broyden 方法）来计算前向映射 $z = f_x(x)$ 及反向映射。
干预数据与致残图 (Mutilated Graphs)：
该框架利用“外科手术式”（硬）干预。当一个节点被干预时，其所有的入边（有向边和双向边）都会被移除，并将该节点设置为从已知分布中采样的值。基于前向映射的雅可比矩阵（Jacobian），推导出这些干预下数据的似然度。
优化与评分函数：
学习目标是最大化跨多个干预设置的正则化对数似限度。
- 图结构： 邻接矩阵被视为由矩阵 $B$ 参数化的伯努利随机变量。使用 $L_1$ 范数作为稀疏正则化的代理。
- 雅可比行列式： 计算雅可比行列式的对数在计算上非常昂贵 ( $O(d^2)$ )。作者采用了一种基于幂级数展开 $\log(1+x)$ 的无偏估计器，通过随机截断来减少偏差，并结合 Hutchinson 迹估计器。
- 混杂因素分布： 通过求解一个稀疏正则化优化问题（形式为 Lasso 回归）来更新协方差矩阵 $\Sigma_Z$ ，以确保正定性和稳定性。

核心贡献

新颖框架： 引入了 DCCD-CONF，这是第一个能够学习非线性循环因果图，并能通过相关高斯噪声显式建模未观测混杂因素的可微框架。
理论保证： 作者证明，在特定假设下（包括数据位于模型类内以及 $\sigma$ -分离属性），最大化所提出的评分函数可以识别出真实图的干预等价类。
算法效率： 开发了一种可扩展的优化程序，通过随机估计和噪声协方差的结构化更新，解决了隐式流和雅可比行列式的计算挑战。

实验结果
该框架在合成数据集和真实世界数据集上进行了评估：

合成数据： 将 DCCD-CONF 与最先进的基准方法（NODAGS-Flow, LLC, DAGMA, ADMG）在不同数量的混杂因素、循环、非线性程度和干预次数下进行了比较。
- 性能： 在图恢复方面，DCCD-CONF 始终比基准方法获得更低的结构汉明距离 (SHD)；在混杂因素识别方面获得了更高的 F1 分数，尤其是在非线性设定下。
- 鲁棒性： 该方法在循环和混杂因素数量增加时表现出鲁棒性。随着干预数量的增加，它优于基准方法，而某些基准方法（如 LLC）在纯观测设定下会失败。
- 可扩展性： 当节点数量从 10 个增加到 80 个时，性能依然保持领先。
真实世界数据： 该模型应用于 Perturb-CITE-seq 基因扰动数据集（黑色素瘤细胞在对照、共培养和 IFN- $\gamma$ $γ$ 条件下的表现）。
- 指标： 由于缺乏地面真值图，性能通过在留出测试数据上的负对数似然度 (NLL) 来衡量。
- 结果： DCCD-CONF 在所有三种条件下均实现了最低的 NLL，优于 NODAGS、LLC 和 DCDI，表明其在生物系统建模中具有卓越的预测准确性和有效的混杂建模能力。

意义与主张
本文声称 DCCD-CONF 为一个此前碎片化的问题领域提供了统一的解决方案，同时解决了非线性、循环和潜在混杂因素的问题。作者断言，其方法提供了理论一致性保证和实际优越性，而现有的方法往往受限于线性假设、无环结构或完全可观测性。这项工作强调了混杂因素在现实世界系统中的普遍性，并证明了通过可微学习来考虑这些因素可以显著提高因果发现的准确性。作者指出，虽然目前的工作假设外生噪声为高斯分布，但未来的研究方向包括探索其他噪声分布、处理缺失数据以及放宽关于干预目标的假设。