🤖 machine learning

Interpretable Causal Discovery via Causal-Effect Constraints

本文提出了一种贝叶斯因果发现方法，该方法通过将稀有事件估计技术进行适配，以高效地推断在特定约束条件下的因果图与参数，从而能够对诸如即使在后验概率较低时也存在的巨大因果效应等现象提供可解释的解释。

原作者： Cixuan Zhang, Guy Van den Broeck, Benjie Wang

发布于 2026-08-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Cixuan Zhang, Guy Van den Broeck, Benjie Wang

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，你是一名试图破解谜题的侦探，但你的调查对象不是犯罪现场，而是一台由齿轮、杠杆和弹簧组成的复杂机器。你手里有一堆关于这台机器如何运动的数据，但你并不清楚这些部件究竟是如何连接在一起的。这就是**因果发现（causal discovery）**的世界：通过观察事物的变化来弄清“什么导致了什么”的科学艺术。通常情况下，科学家们想要知道最可能的连接图谱。但有时，真正的问题不仅仅是“图谱是什么？”，而是“如果发生了某种特定的、怪异的事情，图谱会变成什么样？”也许你想知道：“如果蛋白质 A 对蛋白质 B 的影响突然变得巨大，为了实现这一点，必须存在哪些隐藏的路径？”这非常棘手，因为这些特定的、极端的场景在现有的数据中可能极其罕见。这就像是在一个充满普通云朵的天空中，试图寻找一种特定且罕见的云朵；如果你只是随机观察，可能永远也遇不到它。

这篇论文介绍了一种寻找这些罕见、极端场景的聪明新方法。作者 Cixuan Zhang、Guy Van den Broeck 和 Benjie Wang 提出了一种名为**基于因果效应约束的可解释因果发现（Interpretable Causal Discovery via Causal-Effect Constraints）的方法。将他们的方法想象成一种高科技的“罕见事件雷达”。他们没有等待罕见的云朵自然飘过，而是使用了一种名为自适应多级分裂（adaptive multilevel splitting）*的技术。想象一下你面前有一大群人（代表各种可能的机器图谱）。你想找到那些戴着一种非常特定且难以找到的帽子的人（代表一个效应巨大的图谱）。他们并没有要求每个人都戴着帽子并寄希望于能找到他们，而是设置了一系列检查站。首先，他们要求每个人戴上一顶稍微容易一点的帽子。他们保留那些成功的人，并让他们进入下一个带有稍微难一点帽子的检查站。他们重复这一过程，一步步地，逐渐收紧规则，直到最后只剩下那些戴着那顶精确*的罕见帽子的人为止。在此过程中，他们通过计算有多少人通过了每一道关卡，来估算出那种帽子到底有多罕见。

论文表明这种方法效果极佳。在对小型、简单机器（具有 4 到 32 个部件的模拟图谱）进行的测试中，他们的方法准确找到了其他标准工具漏掉或搞错的罕见、极端连接。例如，在一个只有 4 个部件的小型机器上，他们能够完美匹配一种检查所有可能性的“金标准”方法的结果，而其他方法的结果则出现了巨大的偏差。随着机器规模变大（达到 32 个部件），此时检查每一种可能性已变得不可能，他们的方法依然保持稳定可靠，而其他工具要么放弃了，要么产生了荒谬的结果。

为了证明其在现实世界中的有效性，团队将他们的方法应用于一个关于细胞内蛋白质相互作用的著名数据集（Sachs 数据集）。他们提出了一个具体问题：“如果从蛋白质 PIP3 到蛋白质 PIP2 的效应异常大，网络会是什么样子？”如果没有他们这种特殊的方法，计算机的最佳猜测通常是两者之间不存在连接，或者连接很弱。但当他们迫使计算机只观察“极端效应”的情景时，一个清晰的故事浮现了。该方法揭示了，为了实现这种巨大的效应，信号几乎总是通过两条特定的路径传播：一条直接路径，以及一条经过名为 Plcg 的辅助蛋白的路径。它甚至显示出，如果你同时观察两个极端效应，另一条共同的路径就会成为主角。

作者谨慎地指出，他们的方法目前最适用于线性、直线关系（就像一个简单的杠杆），并假设不存在干扰其中的隐藏、不可见的齿轮。他们建议未来的版本可以处理更复杂的曲线关系和隐藏因素。但就目前而言，这个“罕见事件雷达”提供了一种强大的新方式，让科学家能够针对极端事件提出“如果……会怎样”的问题，从而帮助他们揭示驱动复杂系统中剧烈变化的隐藏路径。

技术摘要：基于因果效应约束的可解释因果发现

1. 问题定义

传统的因果发现旨在从观测数据中识别潜在的因果图结构。然而，从业者通常不仅需要寻找最可能的图，还寻求解释特定的现象，例如变量之间异常大的因效。本文将条件因果发现（conditional causal discovery）表述为一个贝叶斯推断问题。

给定观测数据 $D$ ，用户指定一个由因果效应函数定义的约束事件 $E$ （例如，从节点 $i$ 到节点 $j$ 的总因果效应超过阈值 $t$ ）。目标是计算：

事件的后验概率： $P(E | D)$ 。
关于因果图 ( $G$ ) 和参数 ( $\theta$ ) 的约束后验分布： $p(G, \theta | D, E)$ 。

计算挑战：
在许多现实场景中，事件 $E$ （例如，极端的因果效应）在无约束后验分布下的概率质量非常小。标准的马尔可夫链蒙特卡洛（MCMC）采样器或基于拒绝的条件化方法在此类场景下会失效，因为它们要么无法产生满足约束的样本，要么会出现混合性差的问题，导致对约束空间的统计总结不可靠。

2. 方法论

作者提出了一个框架，将条件因果发现视为一个稀有事件后验推断（rare-event posterior inference）问题。该方案集成了自适应多级分裂法（Adaptive Multilevel Splitting, AMS）与在一个联合图-参数空间上运行的 MCMC 核。

2.1 分数水平表述

该方法通过一个标量分数函数 $h(Z)$ 将科学查询抽象化，其中 $Z = (G, B)$ 代表一个图及其边权重。

对于单个效应约束 $CE_{ij} \geq t$ ，分数定义为 $h(Z) = CE_{ij}(Z)$ 。
对于多个约束，分数是所有约束中最小的归一化裕度。
目标区域为 $A_{\lambda^*} = \{Z : h(Z) \geq \lambda^*\}$ 。

2.2 自适应多级分裂法 (AMS)

该算法并非直接从稀有区域进行采样，而是将问题分解为一系列更容易处理的条件问题：

初始化： 从无约束后验（或热启动近似）中抽取粒子群。
迭代层级： 算法定义了一系列递增的分数层级 $\lambda_0 < \lambda_1 < \dots < \lambda_K = \lambda^*$ $λ_{0} < λ_{1} < \dots < λ_{K} = λ^{*}$ 。
- 在每个层级 $k$ ，通过 MCMC 核对粒子进行变异，以近似层级截断后验 $\pi(Z | h(Z) \geq \lambda_k)$ 。
- 未能达到下一阈值的粒子被丢弃。
- 生存者通过有放回抽样重新组成下一层级的粒子群。
- 阈值 $\lambda_{k+1}$ 被自适应地选择为当前粒子群分数的经验分位数。
概率估计： 总的稀有事件概率通过各层级的生存比例乘积来估计。
最终输出： 在达到目标层级 $\lambda^*$ 后，最终的粒子群近似于来自约束后验 $p(G, B | D, E)$ 的样本。

2.3 联合空间上的 MCMC 核

为了确保采样器能有效探索结构和参数，作者使用了一个分块 Metropolis-Hastings 核：

结构移动（Structure Moves）： 使用 Structure-MCMC 或自适应 PARNI-DAG 核对 DAG 进行修改（添加/删除/反转边）。
权重移动（Weight Moves）： 在给定图的情况下刷新边权重。在满足线性高斯假设时，这一过程非常高效，因为权重的条件后验服从多元 $t$ 分布。
约束强制执行： 违反当前分数层级约束的提议会被立即拒绝。

3. 核心贡献

形式化： 本文将条件因果发现定义为极端效应约束下的后验推断，同时针对尾部概率和约束样本进行研究。
算法： 提供了一种实用的稀有事件推断程序（AMS + MCMC），能够估计微小的后验尾部概率，同时生成具有代表性的图-参数样本。
验证：
- 合成基准测试： 在维度 $d \in \{4, 8, 16, 32\}$ 的线性高斯图上进行了验证。该方法在小规模图（ $d=4$ ）上与穷举法结果一致，并在无约束基准方法失效的大规模场景下展示了稳定性和可重现性。
- 案例研究： 应用于 Sachs 蛋白质信号传导数据集，在极端效应约束下生成通路级摘要。

4. 实验结果

准确性： 在 $d=4$ 的图中，该方法的尾部概率估计与穷举法高度吻合，而标准的变分方法（如 DiBS）显著高估了尾部概率。
条件化行为： 在多效应条件化实验（ $d=4, 8$ ）中，随着约束变得更强（信息量更大），约束后验正确地向真实机制集中。结构汉明距离（SHD）降低，且边频率热图向真实图更加锐化。
可扩展性： 对于 $d \in \{16, 32\}$ ，随着约束收紧，该方法产生了平滑且单调递减的尾部曲线。无约束基准方法无法在这些稀有区域生成样本。与标准 Structure-MCMC 相比，使用启发式结构提议（PARNI-DAG）提高了在大规模图的极端尾部处的稳定性。
Sachs 案例研究：
- 无条件情况： 后验样本通常暗示零总效应或将效应分布在许多相互抵消的路径上，使得解释变得困难。
- 有条件情况： 当以大效应（例如 $PIP3 \to PIP2$ ）为条件时，后验分布会集中在特定的路径上（直接路径和中介路径）。
- 联合条件化： 同时对多个极端效应进行条件化，揭示了在单效应分析中并不明显的共同中介因子（例如在 $Erk \to Akt$ 和 $PIP3 \to PIP2$ 相互作用中的 $Plcg$）。

5. 重要性与主张

本文声称，条件因果发现通过允许研究人员针对特定的因果机制提出“如果...会怎样”的问题，实现了可解释的科学探索。

可解释性： 不同于仅返回单一图的方法，这种方法提供了一个满足特定领域相关约束（例如，“哪些路径解释了这种异常大的效应效应？”）的可行机制分布。
处理稀有性： 它解决了贝叶斯因果发现中稀有事件的计算瓶颈，在这些场景下，标准的 MCMC 和拒绝采样效率低下或难以实现。
科学实用性： 案例研究表明，该方法可以通过总结极端现象的通路级解释来辅助假设生成，从而超越简单的边预测，实现对机制的理解。

局限性： 目前的实现假设了线性高斯结构方程模型（SEM）和因果充分性（无潜在混杂因素）。作者指出，将该方法扩展到非线性机制、潜在混杂因素或干预数据是未来的研究方向。