📊 statistics

CausalGuard: Conformal Inference under Graph Uncertainty

CausalGuard 是一种新颖的共形推断框架，它通过聚合由数据支持的候选有向无环图集合加权的图条件双重稳健伪结果，以解决因果图不确定性问题，从而相较于图无关基线方法实现了分布无关的有限样本覆盖率和更高的效率。

原作者： Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Nengbo Wang, Sreehari Sankar, Mohsen Hariri, Alexander Nemecek, Chaoda Song, Shouren Wang, Biyao Zhang, Van Yang, Erman Ayday, Jing Ma, Vipi

发布于 2026-05-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Nengbo Wang, Sreehari Sankar, Mohsen Hariri, Alexander Nemecek, Chaoda Song, Shouren Wang, Biyao Zhang, Van Yang, Erman Ayday, Jing Ma, Vipin Chaudhary

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

想象你是一名医生，试图弄清楚一种新药是否真的能帮助患者康复。你没有完美的实验室实验，只有一堆杂乱无章的真实世界患者记录。为了得到正确答案，你需要忽略某些可能混淆结果的“噪声”因素（如年龄或饮食），但同时必须保留重要因素。

问题在于：你不知道这些因素之间确切的关系图谱。是年龄导致了饮食差异，还是饮食影响了年龄？如果你猜错了这张图谱，你的药物评估结果可能会完全错误。

这时，CAUSALGUARD 就派上用场了。你可以把它想象成做出这些猜测时的“智能安全网”。

以下是它的工作原理，使用简单的类比说明：

1. 问题：猜测图谱

通常，科学家们试图绘制一张单一的图谱（因果图）来描述万物如何关联。

风险：如果他们画错了图谱（例如，他们认为某种症状导致了疾病，而实际上恰恰相反），他们对药物效应的计算就会失效。
旧有的解决方法：一些方法会说：“让我们给答案加上一个巨大的安全缓冲，以确保我们绝对正确。”但这会让答案变得如此宽泛和模糊，以至于毫无用处（就像说药物效果“在 -100% 到 +100% 之间的某个地方”）。

2. CAUSALGUARD 的解决方案：“专家委员会”

CAUSALGUARD 不把所有赌注押在一张图谱上，而是创建一个由许多可能图谱组成的委员会。

第一步：头脑风暴（LLM 先验）：它要求一个大语言模型（一种阅读了大量文本的 AI）进行头脑风暴：“什么可能是相互关联的？”这就像请一位博学的图书管理员列出一份合理的理论清单。
第二步：筛选（剪枝）：它将这些理论通过严格的测试（统计检验），看数据是否支持它们。如果某个理论声称"A 导致 B"，但数据显示它们完全无关，该理论就会被剔除。
第三步：投票（加权）：它不仅仅挑选“最好”的图谱。它会审视所有剩余的图谱，并根据它们与数据的拟合程度给予投票。与数据完美契合的图谱获得 100 票；那些不稳定的图谱仅获得 1 票。

3. 魔法技巧：“先聚合，后校准”

这是该论文最大的创新。

旧方法：先计算图谱 A 的答案，再计算图谱 B 的答案，然后取平均值。接着，再尝试添加安全缓冲。由于图谱之间差异巨大，这往往会导致一个巨大且混乱的安全缓冲。
CAUSALGUARD 方法：它首先将所有图谱混合在一起（根据其投票权重加权），形成一个单一的“超级估计值”。然后，它再给这个单一的估计值添加安全缓冲。
- 类比：想象你试图猜测温度。
  - 旧方法：询问 10 个人的猜测，记下他们各自的“安全范围”，然后合并这些巨大的范围。结果是一个巨大而无用的范围。
  - CAUSALGUARD 方法：询问 10 个人的猜测，将他们的猜测平均为一个“共识温度”，然后再在这个共识周围添加一个微小而精确的安全边际。结果是一个更紧凑、更有用的答案。

4. 安全网（共形推断）

该论文使用了一种名为共形推断的数学技术。你可以将其视为一枚保证徽章。

它承诺：“无论数据多么杂乱，即使我们的图谱不完美，我们也保证最终答案至少有 90% 的概率是正确的。”
它无需假设数据遵循特定形状（如钟形曲线）。它适用于“无分布”数据。

5. 论文的实际发现

作者在五个不同的真实世界数据集（如医疗记录和职业培训数据）上测试了这种方法。

行之有效：该方法成功地将“正确答案”保留在其预测范围内，比例超过 90%（达到了其目标）。
更紧凑：与那些不了解图谱不确定性的旧方法相比，CAUSALGUARD 生成的区间更窄（更精确）。
对错误想法很聪明：他们测试了一个场景，其中向数据中注入了一个“坏”变量（一个“对撞机”）。旧方法感到困惑并给出了错误答案。而 CAUSALGUARD 的“委员会”意识到该变量不符合规则并将其忽略，从而保持了答案的准确性。
AI 的作用：AI（大语言模型）有助于启动头脑风暴，但随着更多数据的到来，实际数据（投票）变得比 AI 的初始猜测更重要。AI 是一个有帮助的起步者，而非最终的主宰。

总结

CAUSALGUARD 是一种承认“我们不知道确切的因果图谱”的方法。它既不恐慌也不盲目猜测，而是创建一个加权的可能图谱委员会，将它们的见解合并为一个最佳猜测，然后用一个数学上保证的安全网包裹这个猜测。这使得研究人员即使在世界的底层规则不确定的情况下，也能获得关于治疗效果的精确、可靠的答案。

技术摘要：CAUSALGUARD

问题陈述

从观测数据中估计个体化处理效应（条件平均处理效应，CATE）需要选择一个有效的调整集以阻断混杂。这一选择取决于底层因果有向无环图（DAG），而在实践中该图鲜为人知。

图误设： 依赖单一且可能错误的图会导致无效的调整集（例如遗漏混杂因子或对碰撞点进行调整），从而破坏识别性或引入偏差。
现有共形方法的局限性： 虽然共形推断提供了有限样本、分布自由的覆盖率保证，但标准的“图无关”包装器若底层调整集无效，往往无法为因果估计量提供有效的覆盖率。此外，在校准后对多个图的区间进行平均会引入詹森间隙（Jensen gap），导致为恢复标称覆盖率而产生不必要的宽区间（过大的填充）。

方法论：CAUSALGUARD

作者提出了CAUSALGUARD，这是一种结构加权共形框架，将图的不确定性直接整合到共形校准过程中，而非将其视为事后误差源。该流程分为四个阶段：

1. 概率结构先验提取

该方法不假设固定的图，而是构建候选 DAG 的提议分布：

LLM 导出的先验： 查询预训练自回归语言模型，基于领域描述估计边概率（ $P_{prior}(u \to v)$ ）。这些作为提议机制，而非保证真理的来源。
DAG 采样： 从该先验中采样候选 DAG，同时尊重时间元数据（例如处理先于结果），以确保无环性。

2. 统计剪枝与贝叶斯加权

条件独立性（CI）剪枝： 使用训练数据（ $D_{train}$ ）上的 Fisher $z$ -检验对条件独立性进行检验，以剪除采样图中的虚假边。
BIC 重加权： 使用结合结构先验的贝叶斯信息准则（BIC）对剩余候选图进行评分。合并重复的调整策略，并将权重（ $w_k$ ）归一化，形成对唯一调整集的后验分布。

3. 图条件双重稳健估计

对于每个候选图 $G_k$ （及其隐含的调整集 $Z_k$ ）：

干扰项估计： 在 $D_{train}$ 上拟合双重稳健干扰项模型（倾向得分和结果回归）。
伪结果生成： 计算增强的逆概率加权（AIPW）伪结果（ $\tilde{Y}^{(k)}$ ）及启发式边界。

4. 结构加权共形校准

这是核心创新。CAUSALGUARD 并非校准单个图并平均结果，而是：

先聚合： 它通过贝叶斯模型平均（BMA）权重结合图条件估计，计算后验加权的伪结果（ $\bar{\gamma}$ ）和聚合边界。
复合分数： 在此聚合目标上定义单一的非共形分数： $E_i = \max(\bar{q}_{low} - \bar{\gamma}_i, \bar{\gamma}_i - \bar{q}_{high})$ 。
校准： 共形阈值 $\hat{Q}$ 源自校准集（ $D_{cal}$ ）上这些复合分数的分布。
最终区间： 输出区间为 $\hat{C}(x) = [\bar{q}_{low}(x) - \hat{Q}, \bar{q}_{high}(x) + \hat{Q}]$ 。

主要贡献

结构加权共形推断： 一种新颖框架，通过后验加权的复合分数聚合图条件的双重稳健伪结果，将结构不确定性直接转移到校准步骤中。
先聚合后校准评分： 理论证明（命题 1）表明，直接校准聚合目标避免了在平均特定图区间时固有的詹森间隙，从而在相同的覆盖率保证下产生更紧的区间。
图集成构建： 一种结合 LLM 导出的边提议、基于 CI 的剪枝和 BIC 重加权的实用流程。LLM 先验作为有限样本提议分布，而随着样本量增加，数据似然（通过 BIC）占据主导地位。
理论保证：
- 有限样本有效性： 定理 1 确立了在可交换性假设下，对聚合伪结果（ $\bar{\gamma}$ ）的分布自由边际覆盖率，无需假设任何候选图是正确的。
- 渐近一致性： 推论 2 表明，在因果识别、重叠、干扰项稳定性及有效策略上的分数集中条件下，聚合目标的条件均值收敛于真实的 CATE。

实证结果

该方法在五个基准（IHDP、Sachs、ACIC2019、Jobs、Twins）上进行了评估，每个数据集使用 10 个随机种子。

覆盖率： CAUSALGUARD 始终在可直接评估的目标（IHDP/Twins 上的真实 CATE；其他数据集上的加权伪结果）上实现了高于标称 90% 水平的平均覆盖率。
效率： 与图无关的共形基线（如 Conformal Causal Forest、Conformal Naive DR）相比，该方法显著减少了区间宽度，特别是在调整集不确定性导致效率低下的数据集中（如 IHDP 和 Jobs）。
对无效调整的鲁棒性： 涉及注入碰撞点变量的压力测试表明，CAUSALGUARD 成功抑制了无效的碰撞点调整（通过时间元数据和 CI 剪枝），保持了高覆盖率和低均方根误差（RMSE），而朴素基线则遭受严重的覆盖率不足。
先验敏感性： 在低数据条件下，LLM 先验有助于组织搜索。然而，随着样本量增加，BIC 加权导致先验“被冲淡”，使最终区间越来越由数据驱动。即使在对抗性或无信息先验下，只要数据具有信息量，该方法仍保持稳定。

意义与主张

本文将 CAUSALGUARD 定位为解决有效因果调整需求与底层图结构不确定性之间张力的方案。

范式转变： 它从“选择一个最佳图”或“为最坏情况不确定性填充”转向将调整集视为不确定，并将这种不确定性传播到区间构建中。
实用价值： 当区间膨胀主要由调整选择的不确定性而非不可减少的结果噪声驱动时，该方法最为有效。它提供了一种利用语义先验（LLM）进行有限样本搜索的方法，同时通过数据驱动的重加权确保渐近有效性。
局限性： 作者指出，该方法假设因果充分性，且由于候选生成的组合性质，目前仅适用于中等规模的图。它保证了对聚合伪结果的覆盖率；收敛到真实 CATE 依赖于关于目标对齐和干扰项稳定性的额外假设。

总之，CAUSALGUARD 提供了一种分布自由、有限样本有效的图不确定性下处理效应估计方法，通过校准结构加权目标而非平均校准后的区间，实现了比图无关方法更紧的区间。