🤖 machine learning

On the Granularity of Causal Effect Identifiability

本文引入并分析了基于状态的因果效应可识别性，证明了通过利用上下文特定独立性和状态约束等额外知识，即使在传统的基于变量的可识别性失效时，也可以实现可识别性。

原作者： Yizuo Chen, Adnan Darwiche

发布于 2026-07-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Yizuo Chen, Adnan Darwiche

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

侦探的困境：为什么“有时”比“总是”更重要

想象你是一名侦探，正试图仅凭一张城市地图和一份记录人们出现轨迹的日志来破解谜团。你想知道：“如果我强迫一名嫌疑人走特定的路线，他最终会出现在哪里？”在科学领域，这被称为因果推断（causal inference）。这是一门研究如何弄清什么是“因”、什么是“果”，而不仅仅是注意到两件事同时发生之艺术。通常，侦探（或科学家）依赖于一张名为因果图（causal graph）的地图，这张图展示了不同的变量——比如“吸烟”、“肺部健康”或“药物剂量”——是如何相互连接的。他们还会观察观测数据（observational data），这仅仅是记录了在没有人干预的情况下自然发生的事情。

巨大的挑战在于，有时地图和日志并不足以给出一个单一、确定的答案。也许存在隐藏的因素（比如某种秘密的遗传特征），而地图并未显示这些因素，导致我们无法确定究竟是药物导致了康复，还是患者仅仅是运气好。几十年来，科学家们一直有一套规则来判断一个因果问题是“可解的”（identifiable）还是“不可解的”。这些规则通常会问一个非常宽泛的问题：“我们能否弄清楚这种药物对任何患者在任何情况下的影响？”如果即使只有一个棘手的场景导致答案为“否”，那么整个药物的效果就会被视为一个谜。但如果我们不需要了解所有患者的情况呢？如果我们只关心那些已经在服用该药物的特定患者，并想知道他们是否会康复呢？这篇论文探讨的是：通过聚焦于特定的细节，是否可以将一个不可解的谜团变成一个可解的问题。

聚焦：从“所有患者”到“这位患者”

这篇题为《论因果效应可识别性的粒度》（On the Granularity of Causal Effect Identifiability）的论文指出，旧的提问方式可能过于宽泛了。作者 Yizuo Chen 和 Adnan Darwiche 来自加州大学洛杉矶分校（UCLA），他们认为我们应该停止询问“这种治疗对每个人都有效吗？”，而开始询问“这种治疗对这类特定类型的人有效吗？”他们将这种转变称为从基于变量的可识别性（大局观）向基于状态的可识别性（微观细节）的转变。

把这想象成天气预报。旧方法问：“明天会下雨吗？”如果天气模型太混乱，无法预测所有可能场景下的降雨，答案就是“我们不知道”。但新方法问：“如果温度降到 50 度以下，会下雨吗？”即使模型无法预测所有温度下的降雨，它也可能完美地预测出那一次特定寒潮下的降雨。论文表明，通过关注特定的“状态”（比如特定的温度或特定的患者状况），我们往往能找到以前被隐藏的答案。

秘密线索：上下文相关独立性

让这种“聚焦”成为可能的魔力成分叫做上下文相关独立性（Context-Specific Independence, 简称 CSI）。用通俗的话说，CSI 是一个规则，它规定：“在特定的情况下，两件事不再相互影响。”

想象一个灯开关。通常，灯的亮灭取决于两件事：电源是否开启，以及是否有人在拨动开关。但如果停电了（即“上下文/语境”），灯就不再理会开关了。无论开关被拨到向上还是向下，灯都是熄灭的。这就是一个 CSI：在电源断开的情况下，灯的状态与开关无关。

论文证明，如果我们知道这些特殊的“上下文规则”，我们就能解决以前看似无法解决的谜团。然而，这里有一个陷阱。旧有的“基于变量”的规则会观察全局并说：“我们无法解决这个问题，因为有时开关起作用，有时不起作用。”而新的“基于状态”的方法则会说：“等等，如果我们只看停电时的情形，开关就不再重要了，所以我们可以解决它！”

作者证明了这种区别是真实且重要的。他们展示了当观察整个变量时，一个因果效应可能是不可识别的（不可解的），但当观察特定的状态时，它是可识别的（可解的），前提是我们拥有这些额外的上下文线索。如果没有这些线索，两种方法实际上是相同的，聚焦也就没有意义。但有了这些线索，“细粒度”的视角便开启了新的大门。

“状态约束”的力量

论文还探讨了另一种类型的线索：状态约束（state constraints）。这简单来说就是知道一个变量只能处于某些状态。例如，知道一个“天气”变量只能是“下雨”或“下雪”，而绝不会是“晴天”。

作者发现，仅仅知道变量的状态限制本身并没有太大帮助。这就像知道一个骰子只有 1 到 6 点；这并不能告诉你是否能预测掷出的点数。但是，当我们将这种知识与上述 CSI 线索（“上下文规则”）结合起来时，它就变成了一种超能力。这就像拥有一张地图，上面写着“当电源断开时，开关就不再重要”，同时又知道“电源只有断开或开启两种状态”。这些约束结合在一起，可以将一个原本不可解的谜题变为可解。

新的侦探工具箱

为了证明这些观点，作者不仅进行了理论讨论，还构建了新的算法（计算机程序）来进行测试。他们创建了一种名为 ID-CSI 的方法及其扩展版本 ID-CSI-STATE。这些工具充当了“超级侦探”，能够：

观察特定的情况（特定的“状态”）。
利用上下文线索（CSI）修剪掉地图中不必要的组成部分。
检查对于那个特定的现实切片，答案是否可以被找到。

他们在数千个随机生成的“谜团地图”上测试了这些工具，这些地图具有不同数量的变量（从 6 个到 50 个不等）。结果非常明确：

线索越多 = 答案越多： 随着他们增加更多的 CSI 约束，可解的谜团数量也随之增加。
差距扩大： 随着谜题变得复杂，旧有的“宽泛”方法所能解决的问题与新的“特定”方法所能解决的问题之间的差距变得越来越大。
速度至关重要： 在处理大型复杂地图时，他们的新方法比现有工具（如名为 DOSEARCH 的软件包）快得多。事实上，对于拥有 50 个变量的地图，旧工具在 5 分钟后往往就放弃了，而新方法只需几秒钟即可完成。

总结

这篇论文并不是声称我们现在可以解决所有因果谜团。相反，它暗示我们一直在问错误的问题。通过变得更加具体——通过询问“这位患者”而不是“所有患者”，并利用特定的上下文线索——我们可以解决那些此前被认为是不可能解决的问题。

作者表明，因果关系的世界比我们想象的更加微妙。有时，答案并不是“我们不知道”，而是“对于这个特定案例，我们知道答案”。这提醒我们，在科学中，正如在生活中一样，有时观察全局最有力的方式，是专注地观察一个微小的细节。

技术摘要：论因果效应可识别性的粒度

问题陈述

经典的因果效应可识别性概念是在基于变量（variable-based）的层面上定义的：即确定一组处理变量 $X$ 对一组结果变量 $Y$ 的因果效应（记作 $Pr_X(Y)$ ）是否可以从观测数据和因果图中有且仅有地估计出来。这种方法假设，如果一个效应是可识别的，那么它对于 $X$ 的每一种可能的干预以及 $Y$ 的每一种可能状态都必须是可识别的。

然而，在许多实际场景中，研究人员感兴趣的是基于状态（state-based）的因果效应：即特定干预 $X=x$ 对特定结果状态 $Y=y$ 的效应（记作 $Pr_x(y)$ ）。本文认为，基于变量的定义往往过于粗粒度，尤其是在除了因果图和观测数据之外还存在额外知识的情况下。具体而言，作者研究了即使对应的基于变量的效应不可识别，基于状态的效应是否仍可能是可识别的，以及额外的约束——特别是上下文特定独立性（Context-Specific Independencies, CSIs）和状态约束（state constraints）——如何影响这一区别。

研究方法

1. 形式化基于状态的可识别性

论文将基于状态的可识别性（定义 2）定义为：在给定因果图 $G$ 的情况下，从观测分布 $Pr(V) $中唯一计算出特定状态$ x $和$ y $下的$ Pr_x(y)$。

经典等价性： 在不存在额外约束（仅有 $G$ 和 $Pr(V)$）的情况下，论文证明（命题 1）了基于变量和基于状态的可识别性是等价的。如果其中一个可识别，另一个也同样可识别。
约束的角色： 只有在引入额外知识时，这种区别才变得有意义。论文重点研究了两类约束：
- 上下文特定独立性 (CSIs)： 形式为 $(Y \perp\!\!\!\perp P_1 | p_2, P_3)$ 的约束，表示独立性仅在特定的上下文状态 $p_2$ 下成立。
- 状态约束： 限制某些变量可能状态的知识（例如，一个变量是二元的）。

2. 理论分离结果

作者证明了额外的知识可以创造出两种可识别性水平之间的分离：

CSI 约束： 虽然 CSIs 可以使某些基于变量的效应变得可识别（命题 7），但它们也可以使特定的基于状态的效应可识别，而保持基于变量的效应不可识别（命题 6）。例如，某项政策可能仅针对入门级员工忽略其资历程度；这种 CSI 使得经验对薪资的效应对于入门级员工是可识别的，但对于资深员工则不是，从而导致整体的基于变量的效应不可识别。
状态约束： 在半马尔可夫图中，仅靠状态约束本身并不能提高可识别性（命题 8）。然而，当与 CSIs 结合使用时，它们可以显著提高基于变量和基于状态的可识别性（命题 9）。此外，它们可以实现特定状态下的基于状态的可识别性，而此时基于变量的效应仍是不可识别的（命题 10）。

3. 识别算法

为了测试在这些约束下的可识别性，论文提出了一种基于图分解的系统化方法：

上下文诱导图 (CI-graphs)： 作者引入了 CI-图，这是原始因果图的剪枝版本，其中根据特定上下文下的活跃 CSIs 删除了边。这减少了参数空间并简化了图结构。
算法 1 (ID-CSI)： 一个用于测试 CSI 约束下基于状态可识别性的算法。它枚举处理变量和结果状态 ($xy$) 下的可能 CI-图，将生成的被毁坏图（mutilated graph）分解为 c-分量 (c-components)，并使用改进的递归过程 (ID-QFUNC) 检查诱导的 c-因子 (c-factors) 的可识别性。
算法 2 (ID-CSI-STATE)： 一个处理 CSI 和状态约束的扩展算法。它利用上下文划分 (context-partitions) 将识别问题拆分为子查询。该算法迭代遍历由状态约束变量构成的所有可能的上下文划分，将问题归约为识别子查询 $Pr_x(y, s_i)$ ，并使用算法 1 进行处理。
启发式算法： 为了解决枚举 CI-图和上下文划分带来的指数级复杂度问题，论文提出了启发式方法（第 5.4 节），通过选择单一的图剪枝和上下文划分方案，将复杂度降低至多项式时间（针对仅含 CSI 的情况）。

核心贡献

可识别性的粒度： 论文确立了当存在额外约束（CSIs 和状态约束）时，基于状态的可识别性是一个比基于变量的可识别性更细粒度的概念。它证明了在特定状态对下，因果效应可以是可识别的，而通用的基于变量的效应则不可识别。
约束的影响： 它刻画了 CSIs 与状态约束如何相互作用。虽然 CSIs 单独可以分离这两个层级，但研究表明状态约束在孤立状态下是无效的，但在与 CSIs 结合时却非常强大，能够扩大基于状态与基于变量的可识别性之间的差距。
新颖算法： 论文引入了 算法 1 和 算法 2，它们扩展了经典的识别方法（如 IDENTIFY）以处理 CSIs 和状态约束。这些算法利用上下文诱导图和改进的 c-因子分解来推导识别公式或判定不可识别性。
实证验证： 作者通过在随机生成的因果图上进行实证研究，评估了所提算法与经典方法及 DOSEARCH 工具包相比的完备性和效率。

结果

可识别性增益： 实证结果表明，施加 CSI 约束和状态约束增加了基于变量和基于状态两个层面的可识别因果效应的数量。
扩大差距： 随着 CSI 数量（由参数 $r$ 控制）的增加，基于状态的效应数量与基于变量的效应数量之间的差距不断扩大。例如，在 $n=50$ 个变量且存在状态约束的情况下，当 $r=0.8$ 时，基于状态的效应数量比基于变量的效应数量多出 16 个。
效率： 论文提出的启发式算法（ID-CSI-HEU 和 ID-CSI-STATE-HEU）表现出比 DOSEARCH 高得多的计算效率，后者依赖于穷举搜索，并且在变量数 $n \ge 15$ 时经常超时。所提方法在保持可控运行时间的同时，成功识别了相当多甚至更多的基于变量的效应。
完备性： 算法被证明是完备的。在没有约束的情况下，算法 1 等价于完整的 IDENTIFY 算法。

意义

论文声称，基于变量与基于状态的可识别性之间的区别不仅是理论上的，而且在对特定干预和特定结果状态感兴趣的领域（如针对特定人口统计群体的政策分析或医疗方案）具有实际应用意义。通过展示额外的知识（CSIs 和状态约束）如何能使特定的基于状态的效应在基于变量的方法失效时变得可识别，这项工作强调了采用更精细的、基于状态的方法来进行因果识别的必要性。所提出的算法提供了一个实用的工具，能够利用这些额外知识来提取原本无法获取的因果洞察。