📊 statistics

EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning

该论文提出了 EML-CD，这是一个将 EML 符号树集成在一起的因果发现框架，旨在同时学习有向无环图（DAG）结构并恢复可解释的闭式因果机制，并在真实和合成数据集上证明了其相比现有基准模型具有竞争力的结构准确性和更优越的机制恢复能力。

原作者： Sota Asanuma

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Sota Asanuma

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

想象你是一名试图破解谜题的侦探：在一个复杂的系统中，谁在影响谁？ 这可能是一个你体内的蛋白质网络，或者是一个物理实验中的一组变量。

长期以来，现代“AI 侦探”（神经网络）非常擅长绘制连接的地图（结构）。它们可以告诉你：“是的，蛋白质 A 会影响蛋白质 B。”但它们却很难解释如何影响。它们将这种关系视为一个“黑盒”。你知道门是开着的，但你看不见内部的齿轮是如何转动的。

之前的一项研究指出，试图从黑盒中逆向工程出“如何影响”的过程，就像仅仅通过品尝最终的汤来猜测秘密食谱一样，在数学上无法确定你是否找对了。

迎来 EML-CD。 这篇论文介绍了一种新的侦探工具，它不仅能绘制地图，还能为每一个连接写下精确的食谱。

核心思想：“乐高”机器

作者使用了一种特殊的数学工具，称为 EML 算子。你可以把它想象成一个单一的、神奇的乐高积木。

你可以将两个积木拼在一起，组成一个新的形状。
通过以特定的树状结构堆叠这些积木，你可以构建出任何标准的数学函数（例如平方数、平方根或正弦波）。

与其让 AI 构建一个巨大的、无法解释的黑盒，EML-CD 强制要求 AI 仅使用这些特定的、可理解的乐高积木来构建其答案。

它是如何运作的（两步舞曲）

该方法通过两个阶段运作，就像一场两步舞曲：

练习赛（预训练）： 系统观察每一对可能的变量（例如，蛋白质 A 和蛋白质 B），并尝试构建一个最好的“乐高机器”来根据 A 预测 B。它学习关系的形状。
最终地图（贪婪构建）： 它利用所有这些练习赛的结果来构建最终地图。它挑选出最强的连接，确保没有环路（A 导致 B，B 导致 C，但 C 不会导致 A），并丢弃微弱的联系。

神奇之处： 因为这台机器是由“乐高积木”（EML 树）构建的，所以最终结果并不是一个黑盒。它会吐出一个闭式方程（closed-form equation）。

旧方法： “蛋白质 A 影响蛋白质 B。”（故事结束）。
EML-CD 方法： “蛋白质 A 通过这个特定的公式影响蛋白质 B： $B = \text{由 A 和常数组成的某种复杂混合物}$ 。”

他们发现了什么？

作者在三个不同的“谜题案例”中测试了它：

1. 现实世界测试（Sachs 蛋白质数据）
他们在涉及细胞信号传导的 11 种蛋白质的真实数据集上进行了测试。

结果： EML-CD 在绘制正确地图方面的表现与现有最优秀的方法一样出色。
加分项： 与其他方法不同，它给出了连接的实际方程。例如，它发现两个蛋白质之间的关系不仅仅是一条直线；而是一条根据蛋白质水平而改变行为的曲线。这就像是发现一个灯光开关不仅仅是“开”或“关”，而是会根据你按压的力度来调节灯光的亮度。

2. “已知答案”测试（合成数据）
他们创造了一个已知确切数学规则的虚构世界。

结果： 当规则很简单（如直线或平滑曲线）时，EML-CD 在 11 次中有 10 次成功恢复了精确的数学公式。
稳定性： 他们将它与另一种使用固定词典的方法（SINDy）进行了比较。固定的词典有时会崩溃并给出极其荒谬的答案（比如一个字典突然把“猫”定义为“飞机”）。相比之下，EML-CD 保持了稳定和可靠，即使它无法完美捕捉到那些最复杂、波动最大的曲线。

3. 物理测试（因果腔室）
他们测试了一个受物理定律支配的光隧道实验。

结果： 他们的工具的一个简单版本（深度为 2）击败了标准的线性方法。它意识到其中的物理过程涉及曲线，而非仅仅是直线。然而，如果他们把工具变得过于复杂（深度为 3），它就会被少量的数据搞混。这告诉我们“并非越大越好”；有时更简单的工具反而更可靠。

总结

EML-CD 是一种拒绝成为黑盒的新型因果发现方法。

它保持了准确性： 它在寻找正确连接方面的表现与顶尖 AI 方法一样好。
它增加了“为什么”： 它为你提供了关于一个事物如何改变另一个事物的实际数学公式。
它解释了“多少”： 因为它拥有公式，所以它可以计算出如果调整输入，效应会发生多大的变化（使用一种称为“解析雅可比矩阵”的方法）。

局限性：
论文承认它目前并不完美。

如果两个变量以一种需要它们在进入公式之前进行乘法运算的极其复杂的方式进行交互，它会感到吃力（不过他们有一个原型机可以解决这个问题）。
它最适合处理较小的数据集（最多约 20 个变量）。
它找到的精确数学公式可能会根据计算机计算的起始点（随机种子）而略有不同，因此并不总是每次都完全一致。

简而言之，EML-CD 是一个让你能够看到机器内部齿轮的工具，它不仅给了科学家一张领土的地图，还给了他们领土运作方式的实际蓝图。

技术摘要：EML-CD —— 通过 EML 符号树进行因果机制恢复

1. 问题陈述

当前的因果发现方法在结构准确性与机制可解释性之间面临着根本性的权衡。虽然连续优化方法（如 NOTEARS、GOLEM）和基于神经网络的加性噪声模型（如 GraNDAG、NOTEARS-MLP）在恢复有向无环图（DAG）结构方面取得了很高的准确性，但它们将因果机制表示为黑盒神经网络。正如 Waxman 等人 [22] 所指出的，从神经网络权重中提取特定的函数形式是一个病态问题；权重并不能唯一确定底层的机制。因此，现有方法无法提供闭式方程来预测干预效应或定量分析因果效应函数。事后解释工具（SHAP、LIME）仅提供局部近似，而基于样条的模型（CAM）也无法被提取为符号方程。目前尚不存在能够在单一学习过程中同时恢复因果结构和任意非线性闭式机制的框架。

2. 方法论：EML-CD

EML-CD（基于 EML 的因果发现）通过将 EML 算子 [14] 集成到因果结构学习中来解决这一差距。EML 算子定义为 $eml(x, y) = \exp(x) - \ln(y)$ ，当通过语法 $S \to 1 \mid eml(S, S)$ 进行组合时，在基本函数层面具有函数完备性。

2.1 EML 树表示

EML-CD 不使用神经网络，而是将每个边机制 $f_{j,i}(X_i)$ 表示为一个具有限定深度 $D$ 的门控 EML 二叉树。

结构： 该树是一个完全二叉树，其内部节点应用 EML 算子或通过门控机制绕过该算子。
门控： 深度门 $\sigma(\gamma)$ 控制复杂度。如果 $\gamma \ll 0$ ，节点会绕过 EML 操作（退化为线性路径）；如果 $\gamma \gg 0$ ，则 EML 操作处于激活状态。这使得模型能够实现数据驱动的在线性与非线性机制之间的选择。
训练： 模型对门控温度 $\tau_g$ 采用确定性退火策略，在训练期间从 1 退火至 0.02。这确保了梯度在早期可以自由流动，而门控最终收敛到近乎二值的状态，从而产生一个忠实于训练后的软函数的硬阈值闭式方程。
稳定性： 为了防止数值发散（例如由于 $\exp$ 或 $\ln$ 引起），算子会对输入和输出进行裁剪（例如， $\exp$ 的输入限制在 $[-2, 2]$ ， $\ln$ 的参数底限设为 0.5）。

2.2 两阶段推理

学习过程包含两个截然不同的阶段：

机制预训练： 对于所有 $d(d-1)$ 个潜在对 $(i, j)$ ，通过 Adam 算法训练 EML 树 $T_{j,i}$ 以最小化均方误差（MSE）。每个对都会选择三次随机初始化的最优结果。此阶段产生 $R^2$ 分数（预测能力）和训练好的树参数。
贪婪 DAG 构建： 按照 $R^2$ 分数的降序将边添加到图中，同时严格保持无环性。 $R^2$ 低于阈值 $\tau$ 的边将被排除。可选的基于 BIC（基于 OLS）的反向剪枝可以进一步移除伪边。

2.3 可识别性与方向

EML-CD 根据拟合质量不对称性（ $R^2_{i \to j}$ 对比 $R^2_{j \to i}$ ）而非残差独立性检验来确定边的方向。将函数类限制在 EML 树内使得反向因果机制更难被表示，从而自然地降低了其 $R^2$ 。这作为加性噪声模型（ANM）可识别性的启发式代理指标。

3. 核心贡献

框架集成： EML-CD 是第一个将 EML 符号树直接集成到因果结构学习中的框架，为检测到的每条边都附带了闭式方程和解析雅可比矩阵。
不牺牲准确性的可解释性： 它证明了增加符号可解释性并不一定会降低与最先进基准方法相比的结构恢复准确性。
忠实的机制恢复： 在受控设置下，该方法能高保真地恢复基本函数的函数形式，而不仅仅是拟合曲线。
解析因果效应： 通过直接从树结构推导方程，EML-CD 能够计算解析雅可比矩阵 ( $\partial X_j / \partial X_i$ )，从而提供状态相关的因果效应量化，这是线性系数或数值神经网络导数无法实现的。

4. 实验结果

4.1 真实数据：Sachs 蛋白质信号传导 ( $d=11$ )

结构恢复： EML-CD 实现了 11.2 ± 0.4 的结构汉明距离（SHD，5 次种子平均值）。这与 PC 和 GES（SHD=11）相当，且优于 CAM（SHD=12）。
精确率/召回率： 它实现了所有方法中最高的精确率（0.756），尽管召回率较低（0.365），表明其倾向于高置信度的边。
机制： 该方法成功恢复了已知的通路（例如 Raf $\to$ Mek），并附带闭式方程。例如，它识别了 PKC $\to$ P38 的非线性机制，其状态相关雅可比矩阵范围为 -5.4 到 +2.3，以及 Erk $\to$ Akt 的线性机制。

4.2 受控二元恢复

在已知地面真值函数的测试（ $N=2000$ ）中，EML-CD 恢复了 11 个基本函数族中的 10 个（线性、二次、三次、余弦、双曲正切、指数、平方根、Sigmoid、对数、绝对值），其留出集形状相关性 $\ge 0.96$ 。只有高频正弦函数 ( $\sin(1.5x)$ ) 显示出部分恢复（0.84）。

4.3 符号合成基准 (S-Sym)

相对于固定字典的稳定性： 在一个符号 SEM 基准上，EML-CD 实现了 3.67 的平均机制 $f$ -MSE，显著低于且比固定的 SINDy 字典（平均 7644）更稳定。SINDy 基准在其中一个种子下出现了灾难性的外推失败。
结构恢复： 其结构 SHD (14.0) 与 SINDy 字典基准相匹配，但仍低于专门的线性优化器。
局限性： 虽然具有稳定性，但在给定的样本量和深度 2 的情况下，该方法无法可靠地恢复高度非线性的形状（例如 tanh 的饱和）。

4.4 因果腔室 (Light-Tunnel 子集)

在一个由马吕斯定律（ $\cos^2(\theta_1 - \theta_2)$ ）控制的物理系统中，深度 2 的 EML-CD 模型相比线性 OLS-BIC (0.273) 提升了 F1 值 (0.444)。然而，深度 3 的模型在此小样本设置下失败了。引入交互感知叶节点和干预元数据后，精确率提升至 1.000，但召回率仍然有限。

5. 意义与主张

本文将 EML-CD 定位为一种概念验证，证明了可以在不牺牲结构准确性的前提下，将符号因果机制可解释性集成到结构学习中。

核心成就： 它通过将搜索空间限制在有限维、可解释的 EML 函数类中，规避了基于神经网络的机制提取所面临的病态问题。
实际价值： 输出解析雅可比矩阵的能力使得定量预测干预效应和进行状态相关因果分析成为可能，这对于标准的仅关注 DAG 的方法是无法实现的。
谦逊态度： 作者明确承认了局限性：
- 该方法目前假设单变量加性机制，且在没有特定扩展的情况下无法原生表示跨变量交互（例如 $\cos^2(\theta_1 - \theta_2)$ ）。
- 在合成基准上的结构恢复与字典基准持平，尚未超越专门的线性优化器。
- 恢复的方程在不同种子间的稳定性仍需进一步提高。
- EML 算子本身是一项近期发展，尚未进行大规模的独立验证。

研究结论认为，EML-CD 提供了初步证据，证明将闭式方程附加到因果图上是可行的，为构建透明且解析可处理的因果模型提供了一条路径。