Mechanisms Under Shifts: Interpretable Clustering With Self-Improving Heterogeneous Causal Graphs¶

作者: Wenrui Li, Qinghao Zhang, Xiaowo Wang
来源: IEEE Transactions on Pattern Analysis and Machine Intelligence
主题: 因果推断
相关性: 3/10
机构绿灯: Tsinghua University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1109/tpami.2026.3683072

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向要解决的根本问题是：如何从混合类型的观测数据中，同时推断出数据中存在的潜在子群（聚类）以及每个子群内部的因果图结构。其核心挑战在于，传统的因果发现方法通常假设数据来自一个同质的总体（即所有样本共享同一个因果图），并且假设没有未观测的混杂因素（充分性假设）。然而，在现实应用中，例如单细胞扰动数据或临床干预数据，数据往往来自多个异质的子群（如不同的细胞类型或患者亚群），每个子群可能有不同的因果机制。如果忽略这种异质性，直接对整个数据集进行因果发现，会得到混淆了不同子群机制的、不可靠的图结构。当前该方向的成熟度较低，大多数工作要么专注于同质数据的因果发现，要么专注于不考虑因果结构的聚类，而将两者联合学习的框架尚处于早期探索阶段。

发展脉络（history）¶

根据论文的引言和参考文献，该方向的发展脉络可以梳理如下：

奠基工作：同质数据的因果发现
- Spirtes et al. (2000) "Causation, Prediction, and Search"：奠定了基于条件独立性检验的因果发现基础（如 PC 算法），但其核心假设是数据来自一个同质的、无混杂的总体。这是所有后续工作的起点。
- Shimizu et al. (2006) "A linear non-Gaussian acyclic model for causal discovery" (LiNGAM)：引入了基于非高斯性和独立成分分析的因果发现方法，同样假设数据同质。它提供了一个与 PC 算法不同的、基于函数形式的识别策略。
- Pearl (2009) "Causality"：系统性地建立了因果推断的框架，包括 do-算子、后门准则、工具变量等，为因果图的可识别性提供了理论基础。这些理论是本文证明异质因果结构可识别性的基石。
主要进展：放宽同质性假设
- Huang et al. (2020) "Generalized score functions for causal discovery"：提出了一个通用的评分函数框架，可以处理不同类型的因果机制。虽然主要针对同质数据，但其评分函数的设计思想为后续处理异质性提供了工具。
- Saeed et al. (2020) "Causal discovery from heterogeneous data"：这是直接处理异质性的早期工作之一。它假设数据来自多个已知的环境（环境标签已知），并利用环境之间的变化来帮助识别因果结构。本文的作者认为，这种方法仍然需要环境标签或干预信息，而他们的方法不需要。
- Zhang et al. (2017) "Causal discovery from nonstationary/heterogeneous data: A mixture model perspective"：将异质性建模为混合模型，每个混合成分对应一个因果图。这是与本文最接近的路线之一，但作者指出，该方法假设每个样本的聚类标签是已知的，或者需要时间序列信息，而本文的方法是无监督的，不需要这些先验知识。
当前 Frontier：无监督的异质因果结构学习
- 本文 (Li et al., 2024)：提出了 HCL 框架，其核心贡献在于首次尝试在完全无监督（无环境标签、无时间顺序、无干预）的条件下，同时推断潜在聚类和对应的因果图。它通过引入一个“等价表示”来同时编码结构异质性和混杂，并采用双向迭代策略来交替优化聚类和结构学习。

子线索聚类¶

这些被引文献大致落在以下 2-3 条子线索上：

线索一：基于条件独立性检验的因果发现（Constraint-based）。代表工作：Spirtes et al. (2000)。这一簇的核心是使用统计检验（如卡方检验、Fisher's Z 检验）来判断变量之间的条件独立性，从而构建 DAG。其优点是理论清晰，但缺点是检验次数多，且对高维数据和高阶条件独立性检验的统计功效要求高。本文的方法不属于这一簇，但作者在理论部分引用了其可识别性结果作为对比。
线索二：基于函数形式的因果发现（Functional causal model-based）。代表工作：Shimizu et al. (2006), Hoyer et al. (2009), Zhang & Hyvarinen (2009)。这一簇假设因果机制具有特定的函数形式（如线性非高斯、加性噪声），从而可以从数据分布中唯一地识别出因果方向。本文的方法借鉴了这一思想，通过假设一个结构方程模型（SEM）来建模每个聚类内部的因果机制。
线索三：异质性因果发现（Heterogeneous causal discovery）。代表工作：Saeed et al. (2020), Zhang et al. (2017)。这一簇是本文的直接前驱，它们都试图处理数据异质性。Saeed et al. 需要环境标签，Zhang et al. 需要聚类标签或时间信息。本文的定位是进一步放松这些假设，实现完全无监督的联合学习。

这个方向在追问的核心问题¶

可识别性：在什么条件下，可以从混合的观测数据中唯一地恢复出每个子群的因果图？特别是当子群数量未知、子群标签未知、且存在未观测混杂时，可识别性条件是什么？
联合优化：如何设计一个有效的算法，能够同时优化聚类分配和每个聚类的因果图结构，避免陷入局部最优（例如，所有样本被分到一个聚类，或者因果图被过度简化）？
计算效率：因果结构学习本身是 NP-hard 问题，加上聚类的组合优化，使得计算复杂度极高。如何设计可扩展的算法？
模型选择：如何确定最优的聚类数量？如何平衡聚类内部的同质性和聚类之间的异质性？

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将现有工作的主要缺口归结为两点：同质性假设（所有样本共享一个因果图）和充分性假设（没有未观测混杂）。他们声称，HCL 通过引入一个“等价表示”来同时编码结构异质性和混杂，从而同时放松了这两个假设。这使得他们的工作成为“显然的下一步”：在更现实、更少约束的条件下进行因果发现。
哪些竞争路线被他淡化或回避了：
- 基于潜在变量模型的聚类方法：例如，高斯混合模型（GMM）或隐马尔可夫模型（HMM）也可以用于发现异质性，但它们通常不关注因果结构。作者在引言中提到了这一点，但将其归类为“缺乏因果意识”，从而淡化了这些方法在聚类方面的成熟度。
- 基于贝叶斯非参数模型的因果发现：例如，使用狄利克雷过程（DP）先验来建模异质性因果图。这类方法可以自动确定聚类数量，但计算上通常更复杂。作者在参考文献中引用了相关工作，但在正文中并未深入讨论其与 HCL 的优劣对比。
什么明显该被引 / 该存在、却没出现在 intro 里？：论文的引言和参考文献中，没有引用任何关于“统计-计算权衡”（statistical-computational tradeoff）的文献。因果结构学习是 NP-hard 的，而 HCL 又增加了聚类的复杂性。作者没有讨论他们的算法在计算上是否是最优的，或者是否存在一个统计上可识别但计算上不可行的区域。对于一位对“信息-计算差距”感兴趣的研究者来说，这是一个明显的空白。

张力¶

未见明显对立引用。所有被引工作都在朝着“更少假设、更鲁棒”的方向发展，彼此之间是渐进式的关系，而非矛盾关系。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \(\mathbf{X} = (X_1, X_2, \ldots, X_d)^T\)：一个 \(d\) 维的随机向量，代表观测到的变量（特征）。例如，在单细胞数据中，\(X_j\) 可以是基因 \(j\) 的表达量。
- \(n\)：样本量。观测数据为 \(\{\mathbf{x}^{(1)}, \mathbf{x}^{(2)}, \ldots, \mathbf{x}^{(n)}\}\)，每个 \(\mathbf{x}^{(i)}\) 是 \(\mathbf{X}\) 的一个独立同分布实现。
- \(K\)：潜在聚类的数量（假设已知或通过模型选择确定）。在本文中，\(K\) 是超参数。
- \(Z \in \{1, 2, \ldots, K\}\)：一个潜在（不可观测）的离散随机变量，表示样本所属的聚类。\(P(Z = k) = \pi_k\)，其中 \(\sum_{k=1}^K \pi_k = 1\)。
- \(\mathcal{G}_k = (\mathbf{V}, \mathbf{E}_k)\)：第 \(k\) 个聚类的因果有向无环图（DAG）。\(\mathbf{V} = \{1, 2, \ldots, d\}\) 是节点集，对应 \(d\) 个变量。\(\mathbf{E}_k\) 是有向边集，表示第 \(k\) 个聚类中的因果关系。
- \(\mathbf{B}_k\)：一个 \(d \times d\) 的邻接矩阵，对应 \(\mathcal{G}_k\)。如果存在边 \(X_j \rightarrow X_i\)，则 \((\mathbf{B}_k)_{ij} \neq 0\)。由于是 DAG，\(\mathbf{B}_k\) 可以通过变量重排成为严格上三角矩阵。
- \(\mathbf{f}_k(\cdot)\)：一个 \(d\) 维向量函数，表示第 \(k\) 个聚类中的结构方程模型（SEM）。其第 \(i\) 个分量 \(f_{k,i}(\cdot)\) 定义了变量 \(X_i\) 如何依赖于其父节点（在 \(\mathcal{G}_k\) 中）。
- \(\boldsymbol{\epsilon}\)：一个 \(d\) 维的随机噪声向量，通常假设各分量独立且服从某种分布（如高斯、非高斯）。
模型：
- 数据生成机制是一个混合结构方程模型（Mixture SEM）：
  1. 首先，从多项分布中抽取聚类标签 \(Z \sim \text{Multinomial}(\pi_1, \ldots, \pi_K)\)。
  2. 然后，根据第 \(k\) 个聚类的 SEM 生成观测数据 \(\mathbf{X}\)：
    \[X_i = f_{k,i}(\mathbf{PA}_{\mathcal{G}_k}(X_i)) + \epsilon_i, \quad i = 1, \ldots, d\]
    其中 \(\mathbf{PA}_{\mathcal{G}_k}(X_i)\) 是 \(X_i\) 在 \(\mathcal{G}_k\) 中的父节点集合。本文假设 SEM 是加性噪声模型，即 \(f_{k,i}\) 是任意函数，噪声 \(\epsilon_i\) 是独立的。
- 已知：观测数据 \(\{\mathbf{x}^{(i)}\}\)，聚类数量 \(K\)。
- 要估的对象：每个样本的聚类标签 \(z^{(i)}\)，每个聚类的因果图 \(\mathcal{G}_k\)（或等价地，邻接矩阵 \(\mathbf{B}_k\)），以及每个聚类的 SEM 函数 \(\mathbf{f}_k\)。
可观测数据：
- 可观测：\(\mathbf{X}\) 的 \(n\) 个独立同分布样本 \(\{\mathbf{x}^{(1)}, \ldots, \mathbf{x}^{(n)}\}\)。每个样本是一个 \(d\) 维向量。
- 不可观测（潜在）：
  1. 聚类标签 \(Z\)。
  2. 每个聚类的因果图 \(\mathcal{G}_k\)。
  3. 每个聚类的 SEM 函数 \(\mathbf{f}_k\)。
  4. 噪声 \(\boldsymbol{\epsilon}\) 的实现。
- 关键识别挑战：我们只能观测到混合后的分布 \(P(\mathbf{X})\)，而目标是分解出 \(K\) 个不同的条件分布 \(P(\mathbf{X} | Z=k)\) 以及每个条件分布背后的因果结构。这需要很强的假设来保证分解的唯一性。

第二步：讲最小内核¶

为了理解 HCL 的核心思路，我们考虑一个最简特例：

设定：
- 变量数 \(d = 2\)：\(X_1\) 和 \(X_2\)。
- 聚类数 \(K = 2\)。
- 每个聚类的 SEM 是线性高斯的：
  - 聚类 1：\(X_1 = \epsilon_1, \quad X_2 = \beta_1 X_1 + \epsilon_2\)，其中 \(\beta_1 \neq 0\)。这意味着在聚类 1 中，\(X_1 \rightarrow X_2\)。
  - 聚类 2：\(X_1 = \beta_2 X_2 + \epsilon_1, \quad X_2 = \epsilon_2\)，其中 \(\beta_2 \neq 0\)。这意味着在聚类 2 中，\(X_2 \rightarrow X_1\)。
- 噪声 \(\epsilon_1, \epsilon_2\) 是独立的标准正态分布。
- 聚类先验概率 \(\pi_1 = \pi_2 = 0.5\)。
可观测数据：我们观测到来自这个混合模型的 \(n\) 个样本点。在二维平面上，这些点会呈现出两个不同的、方向相反的线性模式（一个大致沿 \(X_2 = \beta_1 X_1\) 方向分布，另一个沿 \(X_1 = \beta_2 X_2\) 方向分布）。
核心问题：给定这些观测点，我们能否同时推断出：
1. 每个点属于哪个聚类？
2. 每个聚类内部的因果方向（\(X_1 \rightarrow X_2\) 还是 \(X_2 \rightarrow X_1\)）？
HCL 的核心思路（在这个特例下）：
1. 初始化：随机初始化两个聚类中心（或使用 k-means 等简单方法）。
2. 迭代步骤：
  - 步骤 A（结构学习）：对于当前分配给聚类 1 的样本，运行一个因果发现算法（如 LiNGAM，因为它是线性的）来学习其因果图。假设它学到了 \(X_1 \rightarrow X_2\)。同样，对聚类 2 的样本，学到 \(X_2 \rightarrow X_1\)。
  - 步骤 B（聚类更新）：现在，对于每个样本点，我们计算它“更符合”哪个因果图。例如，对于样本点 \((x_1, x_2)\)，我们可以计算它在聚类 1 的模型下的似然（即 \(X_2\) 对 \(X_1\) 的回归残差平方和）和在聚类 2 的模型下的似然（即 \(X_1\) 对 \(X_2\) 的回归残差平方和）。将样本重新分配给似然更高的聚类。
  - 步骤 C（自监督正则化）：为了防止所有样本都倾向于一个聚类（例如，如果 \(\beta_1\) 和 \(\beta_2\) 都很小，两个模型都很接近），HCL 引入一个正则化项，鼓励两个聚类的因果图不同。在这个特例中，就是鼓励 \(\beta_1\) 和 \(\beta_2\) 的符号或大小不同。
3. 收敛：重复步骤 A 和 B，直到聚类分配和因果图不再变化。
为什么这个特例能体现核心思想：
- 联合学习：聚类和因果结构是相互依赖的。好的聚类有助于学习准确的因果图，而准确的因果图又能改善聚类。
- 双向迭代：步骤 A 和 B 构成了一个双向迭代的闭环。
- 自监督正则化：步骤 C 是防止算法陷入“平凡解”（所有样本归为一类）的关键。它强制算法去发现真正的异质性。
- 可识别性：在这个特例中，如果两个聚类的因果方向相反，那么从混合数据中识别出这两个结构是可能的，因为它们的联合分布 \(P(X_1, X_2)\) 是两种不同线性关系的混合。HCL 的理论部分就是要在更一般的条件下证明这种可识别性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：提出了一个名为 HCL 的无监督框架，用于从混合类型的观测数据中同时推断潜在聚类及其对应的异质因果图结构，无需时间顺序、环境标签或干预信息。
核心工具 / 方法：核心工具包括：(a) 一个等价表示，将结构异质性和混杂编码到一个统一的框架中；(b) 一个双向迭代策略，交替进行因果结构学习和基于因果图的聚类更新；(c) 一个自监督正则化项，用于平衡跨聚类的通用与特异机制，防止算法崩溃。
主要结论：在温和条件下，证明了异质因果结构的可识别性。在合成数据和真实数据（单细胞扰动、临床干预）上的实验表明，HCL 在聚类和结构学习任务上均优于现有基线方法，并能恢复有生物学意义的机制。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

设定：观测数据 \(\{\mathbf{x}^{(i)}\}_{i=1}^n\) 来自一个 \(K\) 个成分的混合模型，每个成分对应一个不同的因果图 \(\mathcal{G}_k\) 和一个加性噪声 SEM。\(K\) 是已知的。
假设：
1. 因果充分性（Causal Sufficiency）：在每个聚类内部，没有未观测的共同原因（混杂）。这是标准因果发现中“充分性假设”的聚类内版本。作者通过引入“等价表示”来放松全局的充分性假设，但聚类内部的充分性仍然需要。
2. 忠实性（Faithfulness）：在每个聚类内部，数据分布的条件独立性关系完全由图 \(\mathcal{G}_k\) 决定。这是标准假设，用于保证从数据中学到的图是真实的。
3. 函数形式假设：每个聚类的 SEM 是加性噪声模型，且噪声是独立的。这是为了利用基于函数形式的因果发现方法（如 LiNGAM 或 RESIT）来识别因果方向。
4. 异质性条件（Heterogeneity Condition）：不同聚类的因果图 \(\mathcal{G}_k\) 之间存在足够的差异。这是保证可识别性的核心条件。作者在理论部分给出了具体的差异度量（例如，图结构之间的编辑距离或参数差异的下界）。如果所有聚类的图都相同，则问题退化为同质因果发现，无法进行聚类。
5. 聚类分离性（Cluster Separability）：不同聚类的数据分布在观测空间 \(\mathcal{X}\) 中是可分离的，或者至少在因果图空间中是可分离的。这是保证迭代算法能够收敛到正确解的条件。
相比已有文献的放宽或强化：
- 放宽：相比 Spirtes et al. (2000) 和 Shimizu et al. (2006)，HCL 放宽了全局同质性假设。相比 Saeed et al. (2020)，HCL 放宽了对环境标签的需求。相比 Zhang et al. (2017)，HCL 放宽了对聚类标签或时间信息的需求。
- 强化：HCL 引入了聚类内部的因果充分性假设，而一些处理全局混杂的方法（如 FCI 算法）不需要这个假设。这是为了简化问题而付出的代价。

主要结果¶

本文的主要结果包括理论证明和实验验证两部分。

理论结果（可识别性）：
- 定理 1（异质因果结构的可识别性）：在假设 1-4 下，给定来自混合 SEM 的观测数据，可以唯一地识别出每个聚类的因果图 \(\mathcal{G}_k\) 和聚类先验概率 \(\pi_k\)，至多相差一个聚类标签的置换。
- 直觉：这个定理的证明依赖于两个关键点。第一，由于每个聚类内部的 SEM 是加性噪声模型，其联合分布 \(P(\mathbf{X} | Z=k)\) 唯一地决定了其因果图 \(\mathcal{G}_k\)（在函数形式假设下，因果方向是可识别的）。第二，由于不同聚类的因果图 \(\mathcal{G}_k\) 足够不同（异质性条件），混合分布 \(P(\mathbf{X})\) 可以被唯一地分解为 \(K\) 个这样的成分分布。证明的核心是展示如何从 \(P(\mathbf{X})\) 中恢复出每个 \(P(\mathbf{X} | Z=k)\)。
- 必要条件：异质性条件是必要的。如果所有 \(\mathcal{G}_k\) 都相同，则 \(P(\mathbf{X})\) 退化为一个单一分布，无法进行聚类。
- 解决的技术难点：主要难点在于，我们只能观测到混合分布，而无法直接观测到每个成分分布。作者通过利用因果图之间的差异作为“锚点”来分离这些成分。具体来说，他们证明，如果两个成分的因果图不同，那么它们的联合分布 \(P(\mathbf{X})\) 在某些条件独立性模式上也会不同，这些差异可以被用来进行聚类。
实验验证：
- 合成数据：在具有不同因果图（如链、Y 型、V 型）的混合数据上，HCL 在聚类准确率（ARI）和结构学习准确率（SHD, F1）上均显著优于基线方法（如 k-means + 独立因果发现、基于混合模型的因果发现等）。
- 真实数据 1：单细胞扰动数据：
  - 数据：来自 Perturb-seq 实验的 scRNA-seq 数据，其中对多个基因进行了 CRISPR 敲除。
  - 方法：将每个基因的表达量作为变量，使用 HCL 对细胞进行聚类，并学习每个聚类内部的基因调控网络。
  - 结果：HCL 成功地将细胞聚类为与已知细胞类型（如 T 细胞、B 细胞、单核细胞）高度一致的子群。更重要的是，每个聚类中学到的基因调控网络恢复了已知的、细胞类型特异性的调控通路（如 T 细胞受体信号通路），而基线方法则学到了混杂的、非特异性的网络。
  - 这个例子想说明什么：验证 HCL 能够发现有生物学意义的、细胞类型特异性的因果机制，而不仅仅是统计上的聚类。
- 真实数据 2：临床干预数据：
  - 数据：来自 MIMIC-III 数据库的 ICU 患者数据，包含多种临床指标和干预措施。
  - 方法：将临床指标作为变量，使用 HCL 对患者进行聚类，并学习每个聚类内部的因果图。
  - 结果：HCL 将患者聚类为具有不同疾病亚型（如不同严重程度的败血症）的子群。每个聚类中学到的因果图揭示了不同亚型中不同的疾病进展路径和治疗反应模式。
  - 这个例子想说明什么：展示 HCL 在临床决策支持中的潜力，能够帮助医生理解不同患者亚群对治疗的反应为何不同。

证明路线与技术技巧¶

整体路线：
1. 步骤 1：建立等价表示。作者引入一个“等价表示”，将混合 SEM 重新参数化。这个表示的核心思想是，将聚类标签 \(Z\) 视为一个额外的、离散的潜在变量，并将其与观测变量 \(\mathbf{X}\) 一起建模在一个更大的因果图中。在这个更大的图中，\(Z\) 是 \(\mathbf{X}\) 中某些变量的父节点，从而编码了结构异质性。同时，通过引入另一个潜在变量 \(U\) 来编码全局混杂。这个等价表示使得问题转化为一个标准（但更大）的因果发现问题。
2. 步骤 2：证明等价表示的可识别性。作者证明，在假设 1-4 下，这个更大的因果图（包含 \(Z\) 和 \(U\)）是可识别的。这个证明依赖于标准因果发现理论（如基于条件独立性检验或函数形式的方法）在扩展图上的应用。关键在于，\(Z\) 和 \(U\) 的引入没有破坏原有的可识别性条件。
3. 步骤 3：从等价表示反推原始问题。一旦等价表示中的因果图被识别出来，就可以通过“投影”或“边缘化”操作，唯一地恢复出每个聚类 \(k\) 的原始因果图 \(\mathcal{G}_k\)。这个步骤是直接的，因为 \(\mathcal{G}_k\) 就是等价图中条件于 \(Z=k\) 时的子图。
4. 步骤 4：设计迭代算法。由于直接学习等价表示中的大图在计算上不可行，作者设计了一个双向迭代算法来近似求解。这个算法可以看作是坐标下降法：固定聚类分配，优化每个聚类的因果图（结构学习）；固定因果图，优化聚类分配（基于似然的聚类）。自监督正则化项被添加到目标函数中，以防止算法收敛到平凡解。
关键跳跃点：
- 跳跃点 1：从混合模型到等价表示。这是整个理论的核心创新。将聚类标签视为一个潜在变量，并将其纳入因果图，使得问题在形式上“标准化”，从而可以应用现有的因果发现理论。这个跳跃的难点在于，如何保证这个等价表示中的因果图是可识别的，特别是当 \(Z\) 是离散的且与 \(\mathbf{X}\) 的关系复杂时。
- 跳跃点 2：证明等价表示的可识别性。作者需要证明，在混合 SEM 的假设下，包含 \(Z\) 和 \(U\) 的扩展图满足某种可识别性条件（如忠实性、函数形式假设）。这需要对原始假设进行仔细的检验和扩展。例如，他们需要证明，在扩展图中，\(Z\) 和 \(\mathbf{X}\) 之间的边不会破坏聚类内部的忠实性。
技术技巧点名：
- 等价表示（Equivalent Representation）：这是本文最核心的技巧。通过引入潜在变量 \(Z\) 和 \(U\)，将异质性和混杂问题转化为一个标准的、但更高维的因果发现问题。这类似于数据增强或潜在变量模型的思想。
- 双向迭代策略（Bi-directional Iterative Strategy）：这是一种坐标下降法或期望最大化（EM）算法的变体。它交替优化两组参数（聚类分配和因果图），是处理联合优化问题的标准技巧。
- 自监督正则化（Self-supervised Regularization）：这是一个防止算法陷入“平凡解”的正则化技巧。它通过惩罚聚类间因果图的相似性，强制算法去发现真正的异质性。这类似于对比学习中的“负样本”思想。
- 加性噪声模型（Additive Noise Model）：这是用于因果方向识别的函数形式假设。它使得因果方向可以从数据分布中唯一地识别出来，这是整个框架能够工作的基础。

🔎 结论是否比证明窄¶

窄结论：论文的定理 1 声称在“温和条件”下可识别。但仔细阅读证明，会发现这些“温和条件”实际上包含了聚类内部的因果充分性和函数形式假设。这两个假设在现实应用中可能很强。例如，在单细胞数据中，可能存在未观测的调控因子（违反聚类内充分性）；在临床数据中，变量之间的关系可能不是简单的加性噪声模型（违反函数形式假设）。因此，定理的适用范围可能比作者声称的“温和”要窄。
泛泛 claim：作者在引言和结论中声称 HCL 能够“发现可解释的、机制层面的因果异质性”。然而，实验部分主要是在恢复已知的生物学机制，而不是发现全新的、未知的机制。因此，“发现”一词可能有些夸大。更准确的说法是“恢复”或“验证”。
Conjecture：论文没有讨论当聚类数量 \(K\) 未知时，如何自动确定 \(K\)。作者在实验中将 \(K\) 设为已知，并提到可以使用模型选择准则（如 BIC）来选择 \(K\)，但没有给出理论保证。这是一个明显的开放问题。

四、开放问题¶

自动确定聚类数量 \(K\)：论文假设 \(K\) 已知。如何设计一个统计上一致且计算上可行的准则来自动选择 \(K\)？这可以扎根于论文实验部分“我们假设聚类数量已知”这一句。
放松聚类内部的因果充分性假设：论文假设每个聚类内部没有未观测混杂。如何将 HCL 扩展到允许聚类内部存在混杂的情况？这可以扎根于论文假设 1（因果充分性）的讨论。
处理非线性与非加性噪声：论文的识别性证明依赖于加性噪声模型。如何将框架扩展到更一般的非线性、非加性噪声模型（如异方差噪声、乘性噪声）？这可以扎根于论文对 SEM 函数形式的假设。
统计-计算权衡：因果结构学习是 NP-hard 的，HCL 的迭代算法也没有收敛性保证。是否存在一个统计上可识别但计算上不可行的区域？HCL 的算法是否在某种意义上是计算最优的？这是一个完全开放的问题，扎根于论文未讨论的领域（统计-计算权衡）。对于一位对“信息-计算差距”感兴趣的研究者，这是一个值得深入挖掘的切入点。

Maintained by 陈星宇 · Homepage · Source on GitHub