干预下有效选择性共形推断的部分因果结构学习

论文信息

标题: Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions

作者: Amir Asiaee, Kavey Aryan, James P. Long

发布日期: 2026-03-02

PDF链接: 下载PDF

论文背景与研究动机：在干预世界中寻求可靠的预测不确定性

在科学实验与数据驱动的决策中，我们不仅需要模型做出预测，更需要量化预测的不确定性。选择性共形预测（Selective Conformal Prediction, CP）是解决这一问题的强大框架，它能为任何黑箱模型生成具有统计保证的预测区间。其核心思想是：从历史数据（校准集）中学习不确定性，并应用于新的测试样本。然而，这一方法依赖于一个关键假设——可交换性，即校准样本与测试样本来自同一数据分布。

现实世界，尤其是在生物医学、经济学等领域，充满了主动的干预。例如，在基因组学中，科学家通过CRISPR技术敲除特定基因（干预），观察细胞反应；在政策评估中，政府推行新政策（干预）以观察经济指标变化。在这些干预设置下，可交换性假设常常被打破。一个干预可能只影响因果网络中的部分变量，而其他变量（例如，干预节点的非后代变量）的分布可能保持不变。如果我们能识别出这些“未受影响”的样本用于校准，就能得到更紧致、更信息丰富的预测区间。

但问题在于，我们通常不知道完整的因果结构。论文《Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions》正是瞄准了这一核心挑战：如何在未知因果结构的情况下，从干预数据中学习足够的信息，以构建具有统计保证的有效预测区间？ 传统方法要么需要学习完整的因果图（计算昂贵且难以保证），要么忽略因果结构导致预测区间无效或过于保守。本文旨在填补这一空白，提出一种务实、稳健的解决方案。

核心方法：从“全因果学习”到“任务驱动部分学习”

本文的解决方案是一个精妙的三层架构，将因果发现、稳健统计与选择性推理融为一体。

核心定理：污染鲁棒性覆盖保证

首先，作者建立了一个坚实的理论基础。他们考虑了一个现实场景：我们试图根据估计的因果信息（例如，判断某个校准样本是否“未受影响”）来筛选校准集，但这种估计可能存在错误，导致校准集被“污染”。论文提出了一个污染鲁棒的共形覆盖定理。

该定理量化了错误分类如何影响最终的覆盖概率。具体而言，即使有比例为 $\delta$ 的校准样本被错误地纳入（即它们实际上受干预影响），经过修正的共形预测程序仍能保证覆盖概率不低于 $1 - \alpha - g(\delta, n)$ ，其中 $g(\delta, n)$ 是一个关于污染比例 $\delta$ 和校准集大小 $n$ 的显式函数。这个定理的强大之处在于它是有限样本的，并且对污染数据的分布不做任何假设，为后续的算法设计提供了安全边界。

任务驱动的部分因果学习

这是本文的方法论精髓。传统思路是学习完整的因果图，但这对于高维问题极其困难，且对于我们的最终目标——筛选校准样本——是过度的。我们真正需要的只是一组二元指标：对于每个干预 $a$ 和每个变量 $i$ ， $Z_{a,i} = 1$ 当且仅当变量 $i$ 是干预 $a$ 的后代。只有非后代变量（ $Z_{a,i}=0$ ）在干预 $a$ 下才可能保持分布不变，从而可用于校准。

因此，作者将问题重新表述为直接估计这些后代指示符 $Z_{a,i}$ ，而非整个图。这大大降低了学习任务的复杂度，是一种典型的“任务驱动”或“面向目标”的机器学习思想。

两大算法支柱：扰动交集与局部不变性

为了估计 $Z_{a,i}$ ，论文提出了两种互补的算法：

基于扰动交集模式的后代发现：其核心洞察是，如果一个变量 $i$ 是干预 $a$ 的后代，那么干预 $a$ 应该会影响它。通过比较不同干预下，哪些变量的集合发生了显著变化，并分析这些“受影响变量集”的交集模式，可以推断出后代关系。例如，如果某个变量只在干预 $a$ 下发生变化，而在其他干预下不变，它很可能是 $a$ 的直接后代。
基于局部不变因果预测的近似距离估计：当交集模式不足以完全确定结构时，作者采用了另一种思路。他们利用不变因果预测（Invariant Causal Prediction, ICP）的思想，但将其“局部化”。ICP 旨在寻找在多种环境下预测目标变量时保持不变的变量集合，这些变量很可能是因果父母。在本工作中，作者将其调整为估计一个变量到干预的“近似距离”，这有助于对 $Z_{a,i}$ 进行软分类或优先级排序。

这两种算法相结合，能够在仅拥有部分或噪声干预数据的情况下，有效地恢复出对校准筛选至关重要的因果信息。

创新点与贡献：理论、方法与视角的三重突破

理论创新：污染下的有限样本保证。提出的 $g(\delta, n)$ 定理是首个（据我们所知）明确量化未知因果结构学习错误如何影响共形预测覆盖率的理论结果。它将算法的不完美性与统计保证直接联系起来，为构建可信赖的机器学习系统提供了新工具。
方法创新：从图学习到指标学习。将“学习完整因果图”降级为“学习任务所需的因果指标”，这是一个重要的范式转变。它使得方法在计算上更可行，更专注于最终目标，避免了无关因果细节的干扰，提升了在高维生物数据等场景下的实用性。
算法创新：数据驱动的部分因果发现。提出的“扰动交集模式”和“局部ICP”算法，专门为从多组干预数据中提取部分因果信息而设计。它们不依赖于特定的函数形式（如线性），主要基于变量分布的变化模式，因而具有较好的通用性。
视角融合：桥接因果推断与不确定性量化。本文成功地将两个通常独立研究的前沿领域——因果发现与共形预测——深度融合。它展示了如何利用因果思维来增强和改造传统的统计推理工具，使其适应充满干预的复杂现实世界。

实验结果分析：从仿真验证到真实数据概念证明

论文的实验设计严谨，从可控的仿真环境延伸到复杂的真实世界数据。

在合成数据实验中，作者使用线性结构方程模型（SEM）生成数据，并人为控制因果结构学习阶段的错误率（污染比例 $\delta$ ）。结果清晰地验证了理论边界：

当使用未经验证的后代信息进行选择性校准时（“未修正”方法），随着 $\delta$ 增大，覆盖概率从预期的 0.95 显著下降（例如， $\delta=0.30$ 时降至 0.867）。
而应用了本文提出的污染修正程序后，覆盖概率在整个 $\delta$ 范围内（最高至 0.30）都稳定地保持在 0.95 以上。这一对比强烈证明了理论修正的必要性和所提方法的有效性。

在真实数据实验中，作者使用了 Replogle K562 CRISPRi 扰动筛选数据集。这是一个大规模的基因组学数据集，其中对数百个基因进行了单基因敲除干预，并测量了成千上万个基因的表达水平。论文在此进行了概念验证，展示了如何应用所提方法来估计基因之间的部分后代关系，并据此为特定基因表达水平的预测构建更精准的置信区间。虽然真实世界的因果网络未知且极度复杂，无法进行精确的覆盖概率评估，但该实验成功演示了整套方法论流程在真实、高维生物医学场景中的可行性和应用潜力。

实践应用建议与未来方向

应用建议

量化交易与金融风控：在金融领域，政策干预（如加息）、市场黑天鹅事件或大型机构操作都可视为“干预”。当构建资产价格预测模型时，可以利用历史中类似干预时期的数据进行选择性校准。本文方法可以帮助交易系统自动识别哪些历史市场状态（对应哪些资产维度）与当前受干预的状态具有可比性，从而生成更准确、更可靠的风险价值（VaR）或条件预测区间，优化交易策略和止损设置。
人工智能与强化学习：在离线强化学习或基于历史数据的策略评估中，不同的策略可被视为对环境的“干预”。评估新策略时，需要从旧策略数据中学习。本文方法可用于判断哪些状态-动作对的历史数据在分布上适用于评估新策略，从而给出更稳健的策略价值置信区间，提高安全性和样本效率。
药物研发与基因组学：正如论文所示，这是最直接的应用场景。在药物筛选中，每种化合物是一种干预。方法可用于整合不同的药物实验数据，当预测一种新化合物对某个生物标志物的影响时，智能地选取历史上“未受影响”的实验数据子集进行校准，加速发现进程并降低假阳性。

未来发展方向

处理高维与非线性关系：当前方法在合成实验中主要测试于线性 SEM。未来需要开发更强大的非参数或基于深度学习的部分因果发现算法，以处理基因调控网络等复杂的非线性、高维相互作用。
动态与时序干预：本文主要处理静态干预。扩展到时序设置，处理连续干预、交错干预或具有延迟效应的干预，将是一个重要且富有挑战性的方向。
与主动学习结合：可以探索如何利用共形预测提供的不确定性，来指导下一步最具有信息量的干预实验应该做什么，形成“干预-学习-预测-设计新干预”的闭环，最大化科学发现的效率。
理论边界的优化：进一步研究 $g(\delta, n)$ 函数是否可被改进，或者在更温和的假设下得到更紧致的边界。

总结与展望

《Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions》是一篇在因果机器学习与不确定性量化交叉点上做出扎实贡献的优秀论文。它直面了在干预普遍存在的现实世界中应用统计学习理论的核心难题——分布偏移下的可靠性问题。

通过将问题巧妙地从“学习整个因果图”简化为“学习任务所需的后代指标”，并辅以严谨的污染鲁棒性理论和新颖的部分因果发现算法，论文提供了一套既具有理论保证又切实可行的工具。它标志着我们向构建能够理解自身知识边界、并在复杂变化环境中保持稳健的智能系统迈出了重要一步。

展望未来，随着因果科学和可信人工智能的不断发展，这种将因果结构学习与不确定性量化深度结合的研究范式，必将为科学发现、医疗健康、经济决策等关键领域带来更安全、更可靠的数据分析解决方案。论文所开辟的“任务驱动部分因果学习”路径，也为处理高维复杂系统的因果问题提供了一个极具吸引力的新思路。