🤖 machine learning

SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets

本文提出了 SCOUT，这是一个利用归一化流来发现非线性循环因果结构并从软干预数据中识别未知干预目标的新框架，通过放宽诸如无环性、高斯噪声和已知干预目标等常见假设，其性能优于现有的最先进方法。

原作者： Alpar Turkoglu, Muralikrishnna G. Sethuraman, Faramarz Fekri

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Alpar Turkoglu, 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

想象你是一名侦探，试图弄清楚一台复杂机器是如何运作的。你有一个装满齿轮、杠杆和电线（变量）的盒子，你想绘制一张地图，显示哪个部分推动哪个其他部分。这被称为因果发现。

通常，侦探们有一些规则能让工作更简单：

机器只向前移动（没有循环，即 A 推动 B，B 推动 C，C 又推动 A）。
机器安静且可预测（高斯噪声）。
当他们戳弄机器以观察会发生什么时，他们确切知道按下了哪个按钮（已知的干预目标）。

但在现实世界中，机器是混乱的。它们有反馈循环（循环），充满噪声，有时你戳弄它们时，却不知道自己按到了哪个按钮。大多数现有的侦探工具在这些“现实世界”规则被打破时就会失效。

现在登场的是SCOUT（未知目标下的软因果发现）。将 SCOUT 想象成一名超级聪明、灵活的侦探，即使机器在循环、充满噪声，且侦探被蒙住眼睛不知道按了哪个按钮，它也能解开谜团。

以下是 SCOUT 的工作原理，分解为简单概念：

1. “软”戳弄 vs. “硬”砸碎

想象你想看看汽车引擎如何反应。

硬干预：你用锤子砸碎某个特定部件。它坏了，所有与之相连的部分都停止工作。这很容易识别，但具有破坏性。
软干预（SCOUT 使用的方法）：你轻轻推一下某个部件或更换机油。引擎继续运转，但发出的嗡嗡声不同。部件之间的连接依然存在，但行为发生了轻微变化。
问题：SCOUT 必须弄清楚引擎的地图，并猜测你推了哪个部件，即使你没有告诉它。

2. “变形”地图（归一化流）

为了理解引擎，SCOUT 使用一种特殊的数学工具，称为归一化流。

类比：想象来自机器的数据是一团奇怪、凹凸不平的黏土。SCOUT 希望将这团黏土变成一个完美、光滑的球体（标准形状），以便轻松分析。
如何帮助：SCOUT 使用两种“黏土雕塑家”：
- 收缩残差流：它们像压缩机器一样挤压数据而不撕裂它，确保机器不会陷入永无止境的循环。
- 神经样条流：它们像灵活、有弹性的橡皮筋。它们可以拉伸和扭曲“黏土”，以适应几乎任何奇怪形状（非高斯噪声）。这使得 SCOUT 能够处理其他工具无法处理的混乱、不可预测的数据。

3. 猜测未知（“谁按了什么？”问题）

由于 SCOUT 不知道实验期间按下了哪个按钮，它必须猜测。

类比：想象你在观看一场魔术表演，魔术师改变了戏法的结局，但你不知道他们交换了哪张牌。SCOUT 为每一种可能的换牌情况保留一张“记分卡”。它尝试不同的组合，看看哪一种最能解释数据，并不断更新猜测，直到找到正确的那个。
它在绘制机器地图的同时进行这一过程。它同时学习地图和推挤列表。

4. “循环”挑战

大多数工具假设机器是一条直线（A → B → C）。但现实系统通常有循环（A → B → C → A）。

类比：想象一场对话，A 与 B 交谈，B 与 C 交谈，C 又回传给 A。如果你试图将其画成一条直线，你会感到困惑。
SCOUT 专门设计用于处理这些循环对话。它使用数学确保即使存在这些循环，系统也能稳定到一个可分析的状态（平衡态）。

5. 它奏效了吗？（结果）

作者在两种情况下测试了 SCOUT：

假数据（合成数据）：他们构建了具有已知地图和已知推挤的假机器，然后隐藏答案，看看 SCOUT 是否能找到它们。SCOUT 极其准确，经常获得满分，即使数据充满噪声或推挤未知。它击败了其他顶级侦探工具。
真实数据（基因网络）：他们使用了来自生物学（细胞中基因相互作用）的真实数据。由于我们没有这些基因的“完美地图”，他们测试了 SCOUT 是否能预测如果你改变一个基因会发生什么。SCOUT 比其他工具更好地预测了结果，证明它正确学习了关系。

总结

SCOUT 是一种新工具，允许科学家绘制复杂、循环系统（如基因或生态系统）的地图，即使：

数据混乱且不可预测。
系统具有反馈循环。
他们不知道在实验期间确切改变了系统的哪个部分。

它通过使用灵活的数学“雕塑家”重塑数据，并通过智能猜测游戏同时找出地图和实验，从而实现这一目标。

技术摘要：SCOUT——未知目标下的软干预循环因果发现

1. 问题陈述

因果发现旨在从数据中推断系统的潜在因果结构。然而，现有算法在应用于复杂现实世界系统时面临显著局限。大多数当前方法依赖于三个限制性假设：

无环性：底层因果图是有向无环图（DAG），忽略了生物和经济系统中常见的反馈回路。
高斯性：假设外生噪声变量服从高斯分布，这往往无法捕捉现实世界分布的复杂性。
已知干预目标：假设干预实验中的特定目标变量是已知的，而在许多实际场景（例如高通量生物筛选）中，这些目标是未知的。

此外，现有分别解决这些问题的方法往往无法将它们结合起来。例如，处理循环图的方法通常假设线性或硬（手术式）干预，而处理软干预的方法通常假设无环性或已知目标。本文解决了从软干预数据中学习非线性、循环因果关系的挑战，其中干预目标未知且噪声为非高斯分布。

2. 方法论：SCOUT 框架

作者提出了SCOUT，这是一个新颖的框架，将因果发现表述为最大化数据对数似然的连续优化问题。该框架集成了多个高级组件，以应对循环、非线性和未知目标的具体挑战。

2.1. 带循环的结构方程模型（SEM）

系统使用允许有向循环的结构方程模型（SEM）进行建模：
$X = f(X) + \epsilon$
其中 $X$ 代表随机变量， $f$ 代表非线性因果机制， $\epsilon$ 代表外生噪声。为了确保系统在平衡条件下适定并 admit 唯一解，作者假设因果机制 $f$ 是压缩的（contractive）。这使得定义可逆的前向映射 $X \mapsto \epsilon = (id - f)(X)$ 成为可能。

2.2. 软干预建模

该框架处理软干预，即节点与其父节点的连接性得以保留，但因果机制或噪声特性发生变化。对于 $K$ 次目标未知的实验，模型表示为：
$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$
此处， $U_k$ 是一个对角矩阵，指示实验 $k$ 中哪些变量未受到干预。关键在于， $U_k$ （以及因此的干预目标）被视为与图结构一起学习的未知参数。

2.3. 用于非高斯噪声的归一化流

为了处理非高斯噪声并学习因果机制，SCOUT 分两个阶段采用归一化流（Normalizing Flows）：

压缩残差流：因果机制 $f$ 由神经网络参数化。为了满足可解性所需的压缩性假设，网络权重使用谱归一化进行约束。图的邻接矩阵通过 Gumbel-softmax 松弛进行学习。
神经样条流（NSF）：由于噪声 $\epsilon$ 可能是非高斯的，该框架使用分段有理二次累积分布函数（CDF）变换（神经样条流）将噪声 $\epsilon$ 映射到标准正态分布 $z$ 。这使得模型能够捕捉复杂的噪声分布，同时保持可处理的似然计算。

2.4. 未知目标推断

为了识别未知的干预目标，SCOUT 引入了一个干预目标矩阵 $T^I \in \{0, 1\}^{K \times d}$ 。类似于图邻接矩阵， $T^I$ 的条目从 Gumbel-softmax 分布中采样，并通过直通梯度估计进行优化。应用稀疏正则化器以鼓励稀疏的干预目标。

2.5. 优化与评分函数

目标是最大化正则化对数似然评分函数：
$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$
计算循环系统雅可比矩阵的对数行列式在计算上具有挑战性。SCOUT 使用基于对数行列式幂级数展开（Neumann 级数）的无偏估计器来解决这一问题，并结合 Hutchinson 迹估计器和随机截断策略以确保无偏性。

3. 主要贡献

本文做出了以下具体贡献：

新颖框架：SCOUT 是首个同时容纳非线性机制、有向循环、非高斯加性噪声以及目标未知的软干预的框架。
理论保证：作者证明，在压缩性和忠实性假设下，提出的评分函数的精确最大化能够识别真实图（ground-truth graph）的干预等价类和真实干预族。
可扩展架构：通过利用连续优化和归一化流，该方法避免了离散因果发现中典型的组合搜索空间。
全面评估：该框架在合成数据集和真实世界数据集上与最先进的方法（NODAGS-Flow, LLC, BACKSHIFT）进行了基准测试。

4. 实验结果

作者在合成数据和两个真实世界数据集上评估了 SCOUT：Perturb-CITE-seq（基因表达数据）和SERGIO（模拟单细胞基因表达）。

4.1. 合成数据性能

图恢复：SCOUT 在各种设置下实现了近乎完美的图恢复（AUPRC $\approx$ 1.0），这些设置涉及高斯、指数和 Gumbel 噪声，以及移位、缩放和噪声函数干预。它显著优于基线方法，特别是在其他方法失败或性能下降的非高斯和循环设置中。
目标恢复：SCOUT 成功恢复了未知的干预目标，在移位和缩放干预中实现了完美的 AUPRC。虽然在“噪声函数”干预中性能有所下降（由于分布偏移有限），但它仍然优于 BACKSHIFT 基线。
可扩展性：随着节点数量从 10 增加到 70，SCOUT 保持了高性能，而 BACKSHIFT 和 LLC 等基线方法则显示出显著的性能下降。
消融研究：移除神经样条流（NSF）层导致非高斯噪声下的性能显著下降，证实了 NSF 对建模复杂噪声分布的必要性。

4.2. 真实世界数据

Perturb-CITE-seq：在基因调控网络数据上，SCOUT 展示了优于 NODAGS-Flow 和 LLC 的预测性能（通过干预负对数似然衡量），适用于不同的细胞条件（共培养、对照、IFN- $\gamma$ ）。这表明考虑非高斯噪声可以提高生物系统中的预测准确性。
SERGIO：在接近真实世界的模拟中，SCOUT 实现了近乎完美的干预目标恢复（AUPRC 0.978），并在图识别方面优于基线方法，尽管真实机制并非严格压缩。

5. 意义与主张

本文声称，SCOUT 极大地拓宽了现实实验设置下因果发现的范围。通过放宽无环性、高斯性和已知目标的假设，该框架使得能够分析具有反馈回路和异质噪声的复杂系统，这些系统在生物学和系统工程等领域中普遍存在。

作者强调，他们的方法提供了一种一致的方法来恢复真实图的马尔可夫等价类和干预目标。他们承认存在的局限性，例如需要压缩机制以确保可解性，以及在干预引起的分布变化极小（例如噪声函数干预）时难以恢复目标。未来的工作建议包括处理混杂因素、更现实的测量噪声模型以及扩展到更大的图模型。

本文结论指出，SCOUT 代表了因果发现向前迈出的重要一步，使其能够应用于现代科学数据中常见的复杂、循环和非高斯系统。