跳转至

Scope-Restricted Backtracking Counterfactuals

作者: Johan de Aguas, Martin Jullum
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2610.08017


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是结构因果模型(SCM)框架下的反事实语义与识别理论,具体聚焦于"backtracking counterfactuals"(回溯反事实)这一近年来兴起的反事实解释范式。其根本科学问题是:当我们要回答"如果背景条件不同,结果会怎样"这类诊断性(而非行动导向的)反事实问题时,如何在保持结构方程不变的前提下,合理地构造一个"尽可能接近现实"的替代世界。该方向的核心张力在于:完全干预(interventional)反事实通过替换机制来回答问题,但代价是可能产生"离流形"(off-manifold)的不现实结果;而完全回溯(full backtracking)反事实虽然保持在流形上,却因允许所有外生变量自由变化而过于宽松,导致解释缺乏针对性。这个子方向目前处于快速成长期但远未成熟:核心概念(backtracking counterfactuals)由 von Kügelgen et al. (2023) 在 2023 年才正式系统化,而本文(2026)试图在其上引入"scope restriction"(范围限制)这一关键约束,属于该方向早期阶段的增量理论贡献。

发展脉络(history)

奠基工作:反事实的干预语义与 XAI 的兴起。 该方向的根基是 Pearl (2009) 的结构因果模型与干预反事实语义(do-算子),它提供了反事实推理的形式语言。在此基础上,Wachter et al. (2018) 将反事实引入 XAI,提出"什么输入变化能改变输出"的算法框架,但其方法完全在特征空间中搜索,缺乏因果结构约束。同期,Miller (2019) 从认知科学角度论证了人类解释的反事实本质,为反事实解释提供了心理学正当性。这一阶段的核心贡献是确立了"反事实=解释"的基本等式,但留下了"如何保证反事实的现实性与因果一致性"的缺口。

主要进展:因果约束与回溯语义的引入。 针对 Wachter 方法的缺陷,研究者开始引入因果结构。Ustun et al. (2019) 提出可行性(actionability)约束,Karimi et al. (2020) 在不确定因果知识下处理反事实,Mahajan et al. (2019) 用部分 SCM 保持因果约束,Poyiadzi et al. (2020) 提出"可行且可达"(feasible and actionable)的路径约束。这些工作共同确立了"反事实必须尊重因果结构"的原则,但都停留在干预语义或启发式约束层面。真正的转折点是 von Kügelgen et al. (2023) 系统化提出 backtracking counterfactuals:保持结构方程不变,通过修改外生变量来实现反事实前提。这一语义更符合人类"如果当初……"的思维模式,但作者也明确指出其"过于宽松"的问题——所有外生变量都可变,导致解释缺乏针对性。同期,Kusner et al. (2017) 和 Kilbertus et al. (2017) 从公平性角度提出反事实公平,von Kügelgen et al. (2022) 将回溯反事实用于公平性分析,进一步拓展了应用场景。

当前 frontier:范围限制与计算实现。 本文所在的 frontier 是:如何在回溯语义下引入结构性约束,使反事实解释既保持在流形上,又具有针对性。Kladny et al. (2024) 通过稀疏性约束实现这一目标,Hao et al. (2024) 将变化限制在学习到的流形上,Fatemi et al. (2025) 用深度生成模型实现受限回溯。这些工作都是计算导向的启发式方法,缺乏统一的理论框架。本文的定位是:在 SCM 语义层面正式定义"哪些外生坐标可以变"(scope),将其与"如何变"(kernel)分离,并给出识别与推断的理论结果。这填补了从"完全回溯"到"干预"之间的理论空白地带。

子线索聚类

被引文献大致落在三条子线索上:

  1. XAI 反事实解释的算法与约束(Wachter et al., 2018; Ustun et al., 2019; Mothilal et al., 2020; Verma et al., 2020; Guidotti, 2024; Poyiadzi et al., 2020; Mahajan et al., 2019; Crupi et al., 2021)。这条线索关注"如何生成反事实解释",核心问题是可行性、稀疏性、多样性等算法性质,多数方法缺乏显式因果模型,或仅将因果结构作为约束条件。本文将其定位为"没有显式因果模型"或"缺乏统一语义"的工程方法。

  2. 因果反事实的语义与识别(Pearl, 2009; von Kügelgen et al., 2023; Correa & Bareinboim, 2020a,b; Balke & Pearl, 1994; Dawid, 2002)。这条线索关注"反事实在数学上是什么",包括干预语义、回溯语义、σ-regime 形式化、工具变量与反事实识别。本文直接建立在这条线索之上,特别是 von Kügelgen et al. (2023) 的回溯框架和 Correa & Bareinboim (2020a,b) 的 σ-regime 语言。

  3. 公平性与因果推理的交叉(Kusner et al., 2017; Kilbertus et al., 2017; von Kügelgen et al., 2022; Plečko & Meinshausen, 2020)。这条线索将反事实用于公平性审计与解释,本文在应用部分(Adult 数据集)沿用了这一传统,但核心贡献不在此。

这个方向在追问的核心问题

  1. 反事实的语义选择:干预 vs. 回溯 vs. 混合——什么语义最适合什么类型的解释问题?本文的回答是:诊断性问题适合回溯语义,但需要范围限制。
  2. 识别与推断:给定观测数据,反事实分布何时可识别?需要哪些假设?本文的 Proposition 4 给出了部分识别结果。
  3. 计算可行性:如何高效地生成反事实解释?本文通过线性高斯例子和 Adult 应用展示了计算流程,但未提出新算法。
  4. 解释的针对性与现实性的权衡:这是本文的核心动机——完全回溯太宽松,完全干预太不现实,scope restriction 试图在两者之间找到平衡。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"完全回溯反事实过于宽松,因为它允许所有外生坐标变化,包括那些与前提无关的坐标;而干预反事实又过于激进,因为它替换了机制本身。Scope restriction 是介于两者之间的自然中间地带。" 作者声称其贡献在于:(i) 形式化定义 scope-restricted backtracking;(ii) 建立 σ-regime 表示;(iii) 推导部分识别界;(iv) 在线性高斯和 Adult 数据上展示行为。作者淡化的竞争路线包括:纯算法导向的约束方法(如 Kladny et al. 2024 的稀疏性方法)——作者认为这些方法缺乏语义基础;以及完全干预语义——作者认为这不适合诊断性解释。值得注意的是,作者没有讨论反事实解释的因果验证问题(即如何验证解释的因果正确性),也没有讨论当 SCM 本身错误设定时的鲁棒性,这些是值得研究者去查的潜在空白。

张力

被引文献之间未见明显对立,但存在一个值得注意的张力:von Kügelgen et al. (2023) 的回溯反事实强调"所有外生变量都可变"的灵活性,而本文的 scope restriction 恰恰是对这一灵活性的限制。这不是逻辑矛盾,而是设计选择的分歧——前者追求语义的一般性,后者追求解释的针对性。另一个张力存在于 Correa & Bareinboim (2020a,b) 的 σ-regime(强调干预的多样性)与回溯语义(强调机制不变)之间,本文试图通过"同时表示"来调和,但并未深入讨论两种语义在哲学层面的兼容性。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

在展开论文的技术细节之前,先建立统一的记号体系。本文的核心对象是结构因果模型(SCM),记为:

\[\mathcal{M} = (V, U, G, \mathcal{F}, P_U)\]

其中:

  • \(V\):内生变量集合,如 \(V = \{X, Y, Z\}\)。这些是可观测的随机变量,是数据中实际出现的量。
  • \(U\):外生变量集合,如 \(U = \{U_X, U_Y, U_Z\}\)。这些是不可观测的潜在变量,代表每个内生变量的"背景噪声"或"未观测原因"。\(U_V\) 表示进入 \(V\) 结构方程的 exogenous 坐标。
  • \(G\):有向无环图(DAG),刻画内生变量之间的因果方向。
  • \(\mathcal{F} = \{f_V\}_{V \in V}\):结构方程集合,每个 \(f_V\) 将 \(V\) 的父节点和 \(U_V\) 映射到 \(V\) 的值,即 \(V = f_V(\text{pa}(V; G), U_V)\)。
  • \(P_U\):外生变量的联合分布,是已知的或待估计的对象。
  • \(\Upsilon_{\mathcal{M}}\):SCM 的解映射(solution map),将外生实现 \(u\) 映射到内生实现 \(v = \Upsilon_{\mathcal{M}}(u)\)。这是从"背景"到"观测"的确定性映射。

关键区分:

  • 参数 / estimand:本文的目标量是反事实概率 \(P(X^* \in \mathcal{X} \mid Y^* = y^*, H = h)\),其中 \(X^*, Y^*\) 是反事实世界中的变量,\(H = h\) 是事实世界中的观测证据。这是要估计的因果量,不是直接可观测的。
  • 随机变量 / 样本:\(X, Y, Z\) 是事实世界中的可观测随机变量,有实际数据样本。\(U\) 是不可观测的潜在变量。
  • 潜在量:\(U^*\) 是反事实世界中的外生变量,\(X^*, Y^*\) 是反事实内生变量。这些是反事实量,永远无法直接观测,只能通过假设和模型来推断。

可观测数据:研究者实际能观测到的是内生变量 \(V\) 的联合分布 \(P(V)\),即 \(P(X, Y, Z)\) 的样本。不可观测的是:(1) 外生变量 \(U\) 的实现值;(2) 反事实世界中的任何量 \(V^*\);(3) 结构方程 \(\mathcal{F}\) 的具体形式(除非假设已知)。

核心模型假设(本文的框架):

  1. SCM 结构已知:DAG \(G\) 和结构方程 \(\mathcal{F}\) 的形式已知(或可从数据中估计)。
  2. 外生变量分布 \(P_U\) 已知或可估计:通过观测数据推断。
  3. 回溯核(backtracking kernel):\(B(u^* | u)\) 指定给定事实外生状态 \(u\) 时,反事实外生状态 \(u^*\) 的条件分布。这是建模选择,不由数据决定。
  4. 范围(scope):\(E \subseteq U\) 指定哪些外生坐标可以变化,其余坐标 \(E^c\) 被"钉住"在事实值。

第二步:最小内核

现在剥去所有一般性假设,给出支撑整篇论文的最小内核。考虑最简单的三变量线性高斯 SCM:

\[X := U_X, \quad Y := X + U_Y, \quad Z := X + Y + U_Z\]

其中 \(U_X, U_Y, U_Z \sim \mathcal{N}(0, 1)\) 独立。观测到事实数据 \((X, Y, Z) = (1, 2, 2)\),由结构方程反解出外生实现 \(u = (U_X, U_Y, U_Z) = (1, 1, -1)\)。

问题:如果希望 \(Y^* = 3\)(反事实世界中 \(Y\) 取值为 3),那么 \(X^*\) 和 \(Z^*\) 应该是什么?

三种语义的对比:

  1. 干预语义(do-演算):将 \(Y\) 的机制替换为常数 \(Y := 3\),\(X\) 和 \(Z\) 的机制不变,外生变量 \(U\) 保持事实值。此时 \(X^* = 1\)(因为 \(X\) 的机制和外生变量都没变),\(Z^* = 1 + 3 + (-1) = 3\)。注意:\(Y\) 的机制被替换,\(Y\) 不再是 \(X\) 的函数。

  2. 完全回溯语义(full backtracking):保持所有机制不变,允许所有外生变量 \(U_X, U_Y, U_Z\) 变化。需要找到 \(u^* = (U_X^*, U_Y^*, U_Z^*)\) 使得 \(Y^* = U_X^* + U_Y^* = 3\)。有无穷多解,由回溯核 \(B(u^* | u)\) 决定。例如,若 \(B\) 是均值为 \(u\)、方差为 \(\sigma^2 I\) 的高斯核,则 \(u^*\) 会在满足约束的条件下尽量接近 \(u\)。此时 \(Z^* = U_X^* + (U_X^* + U_Y^*) + U_Z^* = 2U_X^* + U_Y^* + U_Z^*\),\(U_Z^*\) 的变化会引入与前提无关的噪声。

  3. 范围限制回溯(scope-restricted backtracking,本文的贡献):指定 \(E = \{U_Y\}\),即只允许 \(Y\) 的局部噪声变化,\(U_X\) 和 \(U_Z\) 被钉住在事实值。此时 \(U_X^* = 1\),\(U_Z^* = -1\),约束 \(Y^* = U_X^* + U_Y^* = 1 + U_Y^* = 3\) 强制 \(U_Y^* = 2\)。于是 \(X^* = 1\),\(Z^* = 1 + 3 + (-1) = 3\)。关键:\(U_Z\) 被钉住,因此 \(Z^*\) 的分布不包含来自 \(U_Z\) 的额外方差。

这个最小例子的要点:

  • Scope 决定反事实的"自由度":\(E = \{U_Y\}\) 意味着只有 \(Y\) 的局部噪声可以调整,\(X\) 和 \(Z\) 的背景被固定。这排除了"通过改变 \(Z\) 的噪声来实现 \(Y^* = 3\)"这种不相关的解释。
  • Scope 与 kernel 分离:scope 决定"哪些坐标可变",kernel 决定"可变坐标如何取值"。在 \(E = \{U_Y\}\) 下,\(U_Y^*\) 被约束唯一确定,kernel 不起作用;在 \(E = \{U_X, U_Y\}\) 下,kernel 决定 \(U_X^*\) 和 \(U_Y^*\) 如何分担实现 \(Y^* = 3\) 的"责任"。
  • 可行性问题:如果 \(E = \{U_Z\}\)(只允许 \(Z\) 的噪声变化),那么 \(Y^* = U_X + U_Y = 1 + 1 = 2\) 永远无法达到 3,前提不可行。这引出 Proposition 1 的单调性:更大的 scope 保证更多的可行前提。

数学上,本文的核心命题是:给定 scope \(E\) 和回溯核 \(K\),反事实查询 \(P(X^* \in \mathcal{X} \mid Y^* = y^*, H = h)\) 的识别与计算。在最小例子中,这个概率退化为一个点质量(因为 \(U_Y^*\) 被唯一确定),但在更一般的情况下,它是一个积分:

\[P(X^* \in \mathcal{X} \mid Y^* = y^*, H = h) = \frac{\int \mathbb{I}\{X(u^*) \in \mathcal{X}\} \mathbb{I}\{Y(u^*) = y^*\} \mathbb{I}\{H(u) = h\} \, dK(u^* | u) \, dP_U(u)}{\int \mathbb{I}\{Y(u^*) = y^*\} \mathbb{I}\{H(u) = h\} \, dK(u^* | u) \, dP_U(u)}\]

这个最小内核揭示了论文的本质:scope-restricted backtracking 是在"干预"(scope 为空,所有外生变量钉住,但机制被替换)和"完全回溯"(scope 为全集,所有外生变量可变)之间的连续谱系。论文的理论贡献在于:(i) 形式化这个谱系;(ii) 给出识别条件;(iii) 推导部分识别界;(iv) 展示不同 scope 如何产生不同的解释。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 SCM 框架下,如何形式化"范围限制的回溯反事实"(scope-restricted backtracking counterfactuals),即只允许指定的外生坐标子集在反事实世界中变化,其余坐标保持事实值,并回答这类反事实查询的识别、推断与解释问题。
  2. 核心工具 / 方法:将回溯反事实形式化为"scoped cross-world law"(范围化跨世界律),建立其与 σ-regime(软干预)的等价表示;利用 Fréchet 不等式推导部分识别界;在线性高斯 SCM 中给出闭式解;在 Adult 数据集上使用拟合的随机森林 SCM 进行实证演示。
  3. 主要结论:Scope 决定反事实解释的"载体"(哪些背景可以变),kernel 决定"如何变";两者分离使得模型者可以精确控制解释的针对性与现实性。在特定条件下,scope-restricted 回溯查询可以等价地表示为修改值策略(modified-value policy),从而与干预语义建立联系。部分识别界表明,仅靠边际信息通常不足以确定解释,需要额外的跨世界信息。

关键设定与假设

在第二节最小记号的基础上,论文的完整设定如下:

  • SCM 设定:论文考虑一般(可能半马尔可夫)SCM,允许外生变量之间存在依赖(通过 ADMG 表示)。结构方程 \(f_V\) 可以是任意可测函数,不要求线性或可加性。这与 von Kügelgen et al. (2023) 的设定一致,但论文额外引入了 scope 的概念。
  • 回溯核:\(B(u^* | u)\) 是跨世界耦合的建模选择。论文区分了"分解核"(\(B(u^* | u) = \prod_j B_j(u_j^* | u_j)\),即各外生坐标独立跨世界变化)和一般核。分解核下,scope restriction 简化为对每个坐标独立决定"变或不变"。
  • Scope 的语义:\(E \subseteq U\) 是模型者指定的外生坐标子集。\(E\) 中的坐标可以跨世界变化,\(E^c\) 中的坐标被钉住。论文强调 scope 是建模选择而非数据驱动的,这既是其灵活性来源,也是其主观性所在。
  • 识别假设:论文假设 SCM 的结构(图 \(G\)、方程 \(F\)、外生分布 \(P_U\))已知或可估计。对于部分识别结果(Proposition 4),论文只假设边际概率 \(\phi, \tau, \gamma\) 已知,不要求完整的跨世界联合分布。
  • 与已有文献的对比:相比 von Kügelgen et al. (2023) 的完全回溯(\(E = U\)),论文的 scope restriction 是严格更一般的框架;相比 Kladny et al. (2024) 的稀疏性约束(在特征空间施加惩罚),论文的 scope 是在外生坐标空间的结构性约束,具有更清晰的因果语义;相比 Fatemi et al. (2025) 的深度生成方法,论文提供了理论识别结果而非仅算法。

主要结果

结果 1:Scope-restricted 回溯的形式化与 σ-regime 表示(Proposition 2, Corollary 3)

论文的核心理论贡献是给出了 scope-restricted 回溯查询等价于修改值策略的充分条件。具体地:

  • 下游前沿条件(Downstream frontier):如果候选前沿 \(A \subseteq V\) 满足:(i) 所有被 scope 直接影响的目标变量都在 \(A\) 中(\(S_E \cap (X \cup Y) \subseteq A\));(ii) 从任何 scope 影响的非 \(A\) 变量到目标变量的有向路径都经过 \(A\)(路径拦截条件),那么 \(C(u^*) = C_{A(u^*)}(u)\) 成立。这意味着,一旦知道反事实前沿值 \(A^*\),就可以丢弃上游的外生修订,用干预 \(do(A = A^*)\) 来复现 \(C^*\)。
  • 查询-响应兼容条件(Query-response compatibility):即使结构条件满足,如果 \(A^*\) 的选择携带了关于潜在响应 \(C_a\) 的额外信息(即 \(A^* \not\perp\!\!\!\perp U_{res} \mid L\)),那么简单地用 \(do(A = A^*)\) 会丢失信息。Corollary 3(ii) 给出了一个充分条件:存在外生坐标的划分 \(U = (U_{sel}, U_{res})\),使得 \(A^*\) 只依赖 \(U_{sel}\),\(C_a\) 只依赖 \(U_{res}\),且 \(U_{sel} \perp U_{res} \mid L\)。此时,选择与响应在潜在层面分离,修改值策略表示成立。

直觉:这个结果回答了"什么时候回溯反事实可以简化为干预反事实"的问题。如果 scope 的效应完全被前沿 \(A\) 吸收,且选择 \(A^*\) 的过程不泄露关于下游响应的信息,那么回溯和干预在目标查询上是不可区分的。这为连接两种反事实语义提供了桥梁。

结果 2:部分识别界(Proposition 4)

当完整的跨世界联合分布不可用时,论文推导了目标查询 \(P(X^* = x^* \mid Y^* = y^*, H = h)\) 的 sharp 边界。核心思想是利用 Fréchet 不等式:

\[P(I^* \cap F \cap T^*) \leq \min\{P(I^*), P(F), P(T^*)\}\]

其中 \(I^* = \{X^* = x^*, Y^* = y^*\}\),\(F = \{X = x, Y = y\}\),\(T^* = \{Y^* = y^*\}\)。由此得到:

\[\frac{\max\{0, \phi + \gamma - 1\}}{\min\{\phi, \tau\}} \leq P(X^* = x^* \mid Y^* = y^*, H = h) \leq \frac{\min\{\phi, \gamma\}}{\max\{0, \phi + \tau - 1\}}\]

其中 \(\phi = P(F)\),\(\tau = P(T^*)\),\(\gamma = P(I^*)\)。论文还展示了当额外的跨世界信息(如 \(\eta = P(F \cap T^*)\))已知时,边界可以显著收紧。

直觉:这个结果承认了回溯反事实的识别困境——观测数据只能确定边际分布,无法确定跨世界耦合。论文的贡献在于量化了这种不确定性,并展示了哪些额外信息可以缩小不确定性。

结果 3:线性高斯例子(Section 5)

在 SCM (13) 中,论文给出了不同 scope 下的闭式解:

  • \(E = \{U_Y\}\)(局部噪声):\(X^* = 1\),\(Z^* = 3\),确定性解释。
  • \(E = \{U_X\}\)(祖先噪声):\(X^* = 2\),\(Z^* = 4\),确定性解释,但 \(X\) 的变化被归因于其自身噪声。
  • \(E = \{U_X, U_Y\}\)(联合):\(X^*\) 和 \(Z^*\) 服从联合高斯分布,均值由 \(\xi = \sigma_Y^2/(\sigma_X^2 + \sigma_Y^2)\) 决定,方差包含 \(\sigma_X^2\) 的贡献。
  • \(E = \{U_Z\}\)(不相关噪声):前提不可行,因为 \(Y\) 不依赖 \(U_Z\)。

直觉:这个例子展示了 scope 如何决定解释的"类型"——局部噪声解释、祖先解释、不可行解释。它还展示了 kernel 参数(\(\sigma_X^2, \sigma_Y^2\))如何影响解释的分布,以及为什么需要敏感性分析。

结果 4:Adult 数据集应用(Section 6)

论文在 Adult 数据集上拟合了一个基准 SCM(使用随机森林),并展示了:

  • Scope 敏感性:不同 scope(\(E_{edu}\)、\(E_X\)、\(E_{full}\))产生不同的解释分布。\(E_{edu}\) 只允许教育噪声变化,\(E_X\) 允许所有特征噪声变化,\(E_{full}\) 允许所有外生坐标变化。
  • Kernel 敏感性:\(\rho\) 从 0 到 0.9 的变化显著影响成功修订的概率(从 0.076 降至 0.032 在 \(E_{edu}\) 下),说明跨世界耦合强度是解释的关键调节变量。
  • 部分识别:在 18 个配置中,16 个的边际信息完全无信息量(区间为 [0,1]),只有提供 \(\eta\) 才能得到非平凡边界。这强调了跨世界信息的重要性。

证明路线与技术技巧

整体路线(以 Proposition 2 为例):

  1. 设定与分解:将 scoped cross-world law 分解为事实部分和反事实部分,利用 SCM 的解映射 \(\Upsilon_{\mathcal{M}}\) 将外生修订映射到内生变化。
  2. 结构条件验证:证明下游前沿条件 (11) 等价于"所有从 scope 影响到目标的路径都经过 \(A\)"。这通过图论中的路径分析完成——如果存在绕过 \(A\) 的路径,那么 \(C^*\) 将依赖于 \(A\) 之外的外生修订,无法被 \(A^*\) 吸收。
  3. 概率条件验证:证明查询-响应兼容条件 (8) 等价于潜在分离 (12)。这通过条件独立性推理完成——如果 \(A^*\) 与 \(U_{res}\) 在给定 \(L\) 下独立,那么 \(P(C_a \mid A^* = a, L) = P(C_a \mid L)\),从而丢弃 \(A^*\) 的条件不改变响应分布。
  4. 等价性证明:将回溯构造的分布与修改值策略的分布逐项对比,利用步骤 2 和 3 的条件证明两者在目标查询上一致。

关键技术技巧:

  • σ-regime 表示:论文将 scope-restricted 回溯嵌入 Correa & Bareinboim (2020a,b) 的 σ-regime 框架,这使得可以利用已有的软干预识别理论。具体地,scope-restricted 回溯可以看作一个特殊的 σ-regime,其中替换机制是"以 \(K\) 为核重新采样 \(E\) 坐标"。
  • Fréchet 不等式:在部分识别部分,论文使用了经典的 Fréchet 不等式来推导 sharp 边界。关键在于识别出 \(I^* \subseteq T^*\) 这一子集关系,从而得到 \(P(I^* \cap F \cap T^*) = P(I^* \cap F)\)。
  • 蒙特卡洛推断:在应用部分,论文使用蒙特卡洛采样实现"abduction-prediction"流程:先从 \(P_U\) 中采样外生实现,再通过回溯核采样修订,最后通过解映射传播。这是 SCM 反事实推断的标准技术。

🔎 结论是否比证明窄

论文的主要定理(Proposition 2, Corollary 3)的证明是严格的,但存在以下"结论比证明宽"或"证明比结论窄"的地方:

  1. Proposition 2 的适用范围:论文声称 Proposition 2 适用于一般 SCM,但证明中隐含假设了"给定 \(H = h\) 时,事实外生状态 \(u\) 被唯一确定"(即确定性 abduction)。对于非确定性 SCM(如存在测量误差或隐变量),abduction 只能得到 \(u\) 的后验分布,此时 Proposition 2 的结论需要额外的积分步骤,论文未明确讨论。

  2. Corollary 3(ii) 的充分性:论文正确指出 (12) 是 (8) 的充分条件,但未讨论必要性。实际上,(8) 可能在某些 (12) 不成立的情况下仍然成立(例如,\(A^*\) 与 \(U_{res}\) 相关,但这种相关性在给定 \(L\) 后不影响 \(C_a\) 的条件分布)。论文未给出 (8) 的完整刻画,因此 Corollary 3 的"充分条件"框架可能遗漏了一些可化简的情形。

  3. 部分识别界的 sharpness:论文声称 Proposition 4 的边界是 sharp 的,但 sharpness 的证明依赖于"所有满足边际约束的耦合都是可达的"这一假设。对于某些 SCM 结构(如存在确定性关系),某些耦合可能不可达,边界可能过宽。论文未讨论这种结构约束。

  4. 应用部分的推广:论文在 Adult 应用中使用了随机森林拟合的 SCM,但随机森林的预测不是确定性的(存在叶节点内的平均),这可能导致 abduction 不精确。论文未讨论这种拟合误差对反事实查询的影响。


四、开放问题

以下开放问题均扎根于论文的具体语句或直接推论:

  1. 必要性条件的刻画:Corollary 3 给出了 (8) 的充分条件 (12),但 (8) 的必要条件是什么?是否存在 (8) 成立但 (12) 不成立的非平凡情形?这关系到"什么时候回溯可以化简为修改值策略"的完整刻画。(扎根于 Corollary 3 的陈述:"Both are sufficient rather than necessary")

  2. 非确定性 abduction 的扩展:论文的推断框架假设 abduction 是确定性的(给定观测,外生状态唯一确定)。对于存在隐变量或测量误差的 SCM,abduction 只能得到后验分布,此时 scope-restricted 回溯查询如何定义和计算?(扎根于 Section 3.3 的"abduction-prediction"流程,论文未讨论非确定性情形)

  3. 结构约束下的 sharp 边界:Proposition 4 的边界假设所有满足边际约束的耦合都是可达的。当 SCM 结构施加额外约束时(如确定性关系、排除某些外生组合),边界如何收紧?是否存在利用图结构得到更紧边界的算法?(扎根于 Proposition 4 的证明:"Both endpoints are attainable over all cross-world couplings compatible with \((\phi_z, \tau_z, \gamma_z)\)")

  4. Scope 选择的准则:论文将 scope 视为建模者的自由选择,但未给出选择准则。是否存在数据驱动的 scope 选择方法?例如,基于稳定性、稀疏性或因果充分性的准则?(扎根于 Section 3 的"the modeler specifies which coordinates may vary",论文未讨论选择准则)

  5. 与干预反事实的统计效率比较:当 scope-restricted 回溯查询可化简为修改值策略时,其估计效率与直接干预反事实的估计效率有何差异?是否存在利用回溯结构获得更高效估计器的可能性?(扎根于 Proposition 2 的化简结果,论文未讨论估计效率)

  6. 高维外生空间的扩展:论文的理论结果对 \(|U|\) 的维度没有明确限制,但推断算法(蒙特卡洛采样)在高维外生空间中可能面临维度灾难。是否存在利用稀疏性或低秩结构的高效算法?(扎根于 Section 6 的蒙特卡洛实现,论文未讨论高维扩展)


提醒:要确认上述某条是否是真 gap,建议去读 scope-restricted counterfactuals 和 backtracking counterfactuals 子领域近期约 5 篇论文的引言——如果多篇都指向同一问题,说明是共识性 gap;如果互相矛盾,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论