ICLR 2026 因果推理因果发现参数不确定性多项式混沌展开 (PCE) 动态因果图工业过程不确定性量化

Learning Dynamic Causal Graphs Under Parametric Uncertainty via Polynomial Chaos Expansions¶

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=4bnCXOtHTm
代码: 待确认
领域: 因果推断 / 因果发现
关键词: 因果发现, 参数不确定性, 多项式混沌展开 (PCE), 动态因果图, 工业过程, 不确定性量化

一句话总结¶

把每条因果边的强度从"静态权重"升级成"操作参数 $\xi$ 的函数"，用多项式混沌展开 (PCE) 把这个函数学出来，从而发现随运行工况动态变化的因果结构，并给出可证明的可识别性与收敛保证。

研究背景与动机¶

领域现状：因果发现已经从约束法 (PC/FCI)、打分法 (GES/NOTEARS) 到函数式因果模型 (LiNGAM/ANM/PNL) 演化出三大流派，能从观测数据里恢复一张有向无环图 (DAG)。但绝大多数方法的隐含前提是因果图是静态的——每条边的强度是个不随上下文变化的固定数。

现有痛点：真实工业系统违反这一假设。在化工反应器里，进料温度对产品质量的影响强烈依赖催化剂活性，而催化剂会随时间退化；换热器效率随结垢程度变化，直接改写整个热控回路。也就是说，因果效应本身是可测量运行参数的函数。这些参数依赖关系不是噪声，而是过程优化和预测性维护的关键信息。现有的贝叶斯因果发现 (DiBS、BCD Nets) 虽然能量化图和参数的后验不确定性，但它们处理的是有限样本带来的认知不确定性 (epistemic)，仍然把每条边当作静态量，不刻画边强如何随工况变化。

核心矛盾：静态图假设 vs. 工业因果机制随参数连续漂移的物理现实——前者一旦把不同工况的数据混在一起做边缘独立性检验，符号反转的效应会在边缘上相互抵消，导致检验误判为"独立"，整条因果边被漏掉。

本文目标：不替换已有的认知/偶然不确定性建模，而是补上一个新维度——让每条因果边显式成为一个低维操作参数向量 $\xi$ 的函数，从观测数据中学出完整的参数化因果结构，并配上可识别性证明与收敛算法。

核心 idea：[函数化因果表示 + PCE 谱投影] 把无穷维的"学函数 $b_{ij}(\xi)$"问题，通过正交多项式基截断转化为有限维的"估计谱系数 $\theta_{ij,\alpha}$"问题，从而既可学、又可证、还能量化不确定性。

方法详解¶

整体框架¶

PCT-CD 分四个阶段串成一条流水线：先把因果系数写成参数 $\xi$ 的函数构造参数化结构方程模型 (SEM)；再用 PCE 把这些函数展开成谱系数，化无穷维为有限维；接着用一个新设计的条件独立性检验在参数空间上发现初始因果骨架；最后用带自然梯度的打分法精修结构并量化每条边的强度与置信区间。

flowchart LR
    A[观测数据 X 和参数 ξ] --> B[参数化 SEM<br/>边权 bij ξ]
    B --> C[PCE 谱展开<br/>bij ≈ Σ θ Ψα]
    C --> D[PCT 条件独立检验<br/>发现因果骨架]
    D --> E[打分法 + 自然梯度<br/>精修结构 + 估系数]
    E --> F[动态因果图<br/>+ 置信区间 + 边存在概率]

关键设计¶

1. 参数化结构方程模型：把因果边写成函数而非常数。 本文不再假设 $X_i = \sum_{j} b_{ij} X_j + \epsilon_i$ 里的 $b_{ij}$ 是常数，而是让它成为操作参数的函数：$X_i = \sum_{j \in PA_i} b_{ij}(\xi) X_j + \epsilon_i$，其中 $\xi \in \mathbb{R}^d$ 是已知可测的运行工况（环境温度、催化剂年龄、原料品质等），服从已知分布 $\mu_\xi$；$b_{ij}(\xi) \in L^2(\Xi)$ 是平方可积的未知函数。一个关键约定是边集 $E$ 不随 $\xi$ 变，只有边权 $b_{ij}(\xi)$ 随工况变——这让"结构发现"和"强度建模"解耦：拓扑是稳定的，变化的只是每条边的"调门"。噪声 $\epsilon_i$ 假设互相独立、中心化、亚高斯，且至多一个是高斯的（沿用 LiNGAM 的非高斯可识别条件）。

2. PCE 谱表示：用正交多项式把函数学出来。 难点在于 $b_{ij}(\xi)$ 是无穷维对象。本文借助 Wiener–Askey 体系：对常见的 $\mu_\xi$ 都存在一组适配的正交多项式基 $\{\Psi_\alpha(\xi)\}$（高斯对应 Hermite、均匀对应 Legendre、指数对应 Laguerre）。把函数按这组基展开并截断到总阶数 $N_p$： $$b_{ij}(\xi) \approx \sum_{\alpha \in A_{N_p}} \theta_{ij,\alpha} \Psi_\alpha(\xi), \quad \theta_{ij,\alpha} = \frac{\langle b_{ij}, \Psi_\alpha \rangle_{L^2}}{\langle \Psi_\alpha^2 \rangle_{L^2}}$$ 这一步把"学函数"变成"估有限个谱系数 $\theta_{ij,\alpha}$"。理论上对 $s$ 阶可微函数误差以 $C N_p^{-s}$ 多项式衰减，对解析函数（物理系统常见）以 $C\exp(-\gamma N_p^{1/d})$ 指数衰减。当参数维度 $d$ 很大时基的规模 $P=\binom{N_p+d}{d}$ 会爆炸，于是用双曲截断 (hyperbolic truncation) 优先保留低阶交互项压缩基的大小。

3. PCT 条件独立检验：在参数空间上检验，避免边缘抵消。 标准 CI 检验作用在 $(X_A, X_B, X_Z)$ 的边缘分布上，碰到符号随 $\xi$ 翻转的效应会被边缘抵消而误判独立。本文改为检验条件协方差函数 $C_{AB|Z}(\xi) := \mathrm{Cov}(X_A, X_B \mid X_Z, \xi)$ 是否处处为零：定义 PCT 条件独立为 $\|C_{AB|Z}\|^2_{L^2(\mu_\xi)} = \mathbb{E}_\xi[C_{AB|Z}(\xi)^2] = 0$。把这个协方差函数也做 PCE 展开后，零假设等价于"谱系数向量为零"。具体做法是先把 $X_A, X_B$ 对交互特征 $\{X_k \Psi_\alpha(\xi)\}$ 回归取残差，残差乘积 $r_A r_B$ 就是 $\xi^{(t)}$ 处的条件协方差信号；构造 $v^{(t)} := r^{(t)}_{A} r^{(t)}_{B}\, \psi(\xi^{(t)})$ 后，多元 CLT 给出 Wald 统计量 $$T_{PCT} = m\, \hat{C}^\top \hat{\Sigma}^{-1}_{\text{reg}} \hat{C} \xrightarrow{d} \chi^2_{df}$$ 这个检验当作 CI 预言机塞进 PC 风格的骨架搜索里。

4. 打分法 + 自然梯度精修：稳健且单步收敛。 约束法骨架在有限样本下不稳，于是用它做初始化，再做打分优化。定义 PCT-BIC 分数为最小二乘拟合项加 group sparsity 惩罚 $\lambda \|(E,\Theta)\|_0 = \lambda\sum_{i,j} \mathbb{1}\{\|\theta_{ij}\|_2 > 0\}$（按"整条边的系数组"是否非零计数，鼓励稀疏 DAG）。在 DAG 固定时，惩罚项为常数，对 $\Theta$ 的优化退化为每个节点一个最小二乘。由于回归子依赖 $\xi$ 而互相相关，经验 Fisher 信息 $\hat{F}_i = \frac{1}{\sigma_\epsilon^2 m}\Phi_i^\top \Phi_i$ 一般非对角，本文用 Fisher 预条件（自然梯度）更新： $$\theta_i \leftarrow \theta_i - \eta (\Phi_i^\top \Phi_i + \varepsilon_{\text{reg}} I)^{-1} \Phi_i^\top (\Phi_i \theta_i - x_i)$$ 理论上 $0<\eta<2$ 时线性收敛，且当 $\varepsilon_{\text{reg}}=0, \eta=1$ 时一步达到最小二乘最优。配合贪心地增删边（只接受保持无环的改动）与 warm start，整套流程既给出最终图与函数关系，还输出因果强度的置信区间和每条边的存在概率。

理论部分给出三个结论：定理 1（可识别性）证明在非高斯噪声等假设下 DAG $G$ 与函数族 $\{b_{ij}(\xi)\}$ 可从 $(X,\xi)$ 联合分布唯一恢复（把 LiNGAM 推广到参数化设定）；定理 2（样本复杂度）给出恢复截断边集所需样本量 $m \gtrsim \frac{\sigma_\epsilon^2}{\gamma \kappa_{N_p}^2}(sP)\log(2n^2P/\delta)$，刻画了样本量随交互特征数 $sP$、设计良态性 $\gamma$、最弱有效边强 $\kappa_{N_p}$ 的依赖；定理 3 即上面自然梯度的线性/单步收敛。

实验关键数据¶

主实验表格¶

在加拿大 Parkland 炼厂化工反应器网络数据集上验证：10,000 个样本、9 个过程变量、11 条经工程原理验证的真实因果边、3 个参数不确定性源（传热系数 $\xi_1$、反应速率常数 $\xi_2$、产率因子 $\xi_3$）。与 23 个 SOTA 方法横向对比（参数 $N_p=4, \alpha_{sig}=0.05, \lambda=1, B=200$）。

方法	TP	FP	FN	Prec.	Recall	F1	SHD
ICA-LiNGAM	1	14	10	0.067	0.091	0.077	24
DirectLiNGAM	2	13	9	0.133	0.182	0.154	22
LiNGAM	5	10	6	0.333	0.455	0.385	16
NOTEARS	5	5	6	0.500	0.455	0.476	11
FCI	5	4	6	0.556	0.455	0.500	10
GES / GIES	6	5	5	0.545	0.545	0.545	10
CAM / GraNDAG / SAM	8	6	3	0.571	0.727	0.640	9
PCT-CD	10	1	1	0.909	0.909	0.909	2

PCT-CD 正确识别 11 条真实边中的 10 条，仅 1 个假阳和 1 个假阴，SHD=2，F1=90.9%，相比次优方法 (CAM/GraNDAG/SAM 的 64.0%) 接近翻倍。

不确定性量化表¶

PCT-CD 独有的能力是把每条边的强度表示成 $\xi$ 的连续函数，并给出 95% 置信区间、bootstrap 存在概率与主导参数：

边	均值	95% CI	Boot 概率	主导 $\xi$
$X_1 \to X_2$	0.642	[0.411, 0.873]	0.95	$\xi_1$ (传热)
$X_1 \to X_3$	0.465	[0.305, 0.669]	0.88	$\xi_2$ (反应)
$X_7 \to X_9$	0.452	[0.317, 0.632]	0.95	$\xi_3$ (产率)
$X_6 \to X_9$	0.109	[0.034, 0.156]	0.93	$\xi_2$ (反应)

关键发现¶

最强边 $X_1\to X_2$ 的强度随传热条件变化超过 100%，而弱边变化更受约束——证明静态权重确实丢失了关键信息。
三个参数各管一类路径：传热 $\xi_1$ 主导进料与热控通路、反应 $\xi_2$ 控制中间转化、产率 $\xi_3$ 决定产品质量路径，与工程直觉吻合。
按方法类别看：约束法 (PC/FCI) 精度尚可但召回低（保守漏边）；打分法 (GES/NOTEARS) 受静态图假设根本性限制；传统 LiNGAM 在参数变化下严重模型误设 (38.5% F1)，ICA-LiNGAM 最差 (7.7%)。

亮点与洞察¶

范式转变到位：从"静态图"到"动态函数"的提法直击工业因果发现的真实痛点，而且不是另起炉灶，而是把 PCE 这套成熟的不确定性量化工具第一次系统地嫁接到因果发现上。
理论闭环：可识别性 + 有限样本复杂度 + 收敛性三个定理齐全，自然梯度在线性高斯视角下单步收敛是个漂亮的工程性质。
CI 检验抓住了本质矛盾：把"边缘独立性检验在符号翻转效应下失效"这个隐蔽 failure mode 显式化，并用条件协方差函数的 $L^2$ 范数干净地解决，是方法里最有洞察力的一步。
可解释性强：输出的不是一张图，而是"每条边随哪个工况怎么变 + 多大置信度存在"，这对安全攸关的工业控制是刚需。

局限与展望¶

实验单一：只在一个化工反应器数据集（9 变量、11 边）上验证，规模偏小、领域单一，缺少跨领域和大规模 ($n\gg 9$) 的实证，泛化性存疑。
线性 SEM 假设：模型核心是边权随参数变化的线性 SEM，非线性因果机制（变量间本身非线性）仍未覆盖，作者也把它列为未来工作。
假设较强：要求因果充分性（无未观测混杂）、faithfulness、$\xi$ 分布已知或可经验构造正交基、至多一个高斯噪声——工业现场这些条件未必都满足，尤其无混杂假设。
维度灾难仍在：基规模 $P=\binom{N_p+d}{d}$ 随参数维度 $d$ 组合爆炸，双曲截断只是缓解，高维参数空间下样本复杂度 $sP$ 项会很重。
展望：作者提出扩展到未观测混杂、更复杂非线性交互，以及在线自适应控制场景的应用。

评分¶

新颖性: ⭐⭐⭐⭐ 首次把 PCE 系统引入因果发现，"因果边=参数函数"的范式提法清晰、切口准，配套可识别性证明，理论与问题动机都新。
实验充分度: ⭐⭐⭐ 对比 23 个 baseline 很全面、提升显著，但只在单个小规模化工数据集上验证，缺合成数据系统性扫参与跨领域大规模实证，说服力受限。
写作质量: ⭐⭐⭐⭐ 动机-方法-理论-实验逻辑顺畅，把"边缘抵消"这类隐蔽 failure mode 讲清楚，公式与定理组织清晰。
价值: ⭐⭐⭐⭐ 对工业过程控制、根因分析、预测性维护这类安全攸关场景价值明确，输出的不确定性感知因果函数是实用刚需，方法范式可迁移。

边	均值	95% CI	Boot 概率	主导 \(\xi\)
\(X_1 \to X_2\)	0.642	[0.411, 0.873]	0.95	\(\xi_1\) (传热)
\(X_1 \to X_3\)	0.465	[0.305, 0.669]	0.88	\(\xi_2\) (反应)
\(X_7 \to X_9\)	0.452	[0.317, 0.632]	0.95	\(\xi_3\) (产率)
\(X_6 \to X_9\)	0.109	[0.034, 0.156]	0.93	\(\xi_2\) (反应)