Causal Modeling of Selection in Evolution¶
会议: ICML2026
arXiv: 2606.05689
代码: 待确认
领域: 因果推断 / 因果发现
关键词: 选择偏差, 演化选择, 因果发现, 图模型, 条件独立
一句话总结¶
论文指出"选择"其实分静态选择（一次性过滤）和演化选择（多代差异繁殖累积）两种，现有图模型把二者混为一谈、在演化数据上会得出错误的因果发现；作者定义了显式刻画演化的因果图模型，并证明它的条件独立约束可以用一个"团扩张 DAG"无损表示，从而能直接套用标准 PC/GES/CDNOD 算法、只需重新解释输出。
研究背景与动机¶
领域现状：因果发现要从观测数据里识别因果关系，但观测到的依赖未必来自因果——一个关键干扰源就是选择（selection）：数据是被某种系统性、往往不可观测的机制"挑"出来才被看到的。主流做法（FCI 及其各种扩展）统一用同一套图建模：在原因果图上额外加入代表选择的二值指示变量 \(S\)，把"被选中"建模为对 \(S=1\) 取条件，再用条件下的图约束做发现。
现有痛点：这套范式把所有选择都当成一次性过滤来处理。但作者论证，现实里"选择"叙事其实有两种形态：
- 静态选择：从全局总体中一次性抽出一个子总体，如政治调查中"邮寄/电话招募偏向某教育收入群体"的志愿者偏差。这类用标准图模型刻画是对的。
- 演化选择：通过多轮差异化繁殖适应度反复作用，观测数据是被一段历史轨迹塑造出来的"最新一代"，如免疫适应、抗生素耐药、工业革命时曼彻斯特深色蛾增多、社会规范涌现。
核心矛盾：演化选择下，观测数据不是任何固定时刻全局总体的子集，而是经历了多代"选择—繁殖—遗传"后存活下来的一代。繁殖与选择耦合，会通过遗传在当代数据里留下额外的条件依赖，这是一次性过滤的静态模型无法刻画的。直接套静态模型会把这些依赖误读成直接因果关系或直接被选——即假阳性发现（Lemma 1）。
本文目标：(1) 形式化定义能表示演化选择数据生成过程的因果图模型；(2) 刻画它在数据中蕴含的条件独立（CI）约束；(3) 给出可靠（sound）且完备（complete）的识别流程，并把单域推广到多代/多环境的异质数据。
核心 idea：用显式的多代图 \(\mathcal{G}^{(T)}\) 描述演化，然后证明它对观测变量的全部 CI 约束等价于在一个去掉了隐变量和选择变量的"团扩张 DAG" \(\mathcal{G}^+\) 上的 d-分离——于是识别算法退化成标准形式，只是结论解释要换一套语义。
方法详解¶
整体框架¶
论文要解决的是：当数据是演化选择的产物时，怎样的因果图模型才正确、又怎样从数据里识别它。整条逻辑链是：先定义演化选择模型 \(\mathcal{G}^{(T)}\)（说清数据怎么生成）→ 证明它的 CI 约束可被一个普通 DAG（团扩张 DAG \(\mathcal{G}^+\)）无损表示 → 因此直接跑标准因果发现算法、再按新语义重新解释输出 → 单域推广到多域以提升可识别性。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["演化选择数据<br/>p(X^(T)|S^(<T)=1)"] --> B["1. 演化选择模型<br/>多代 X/ε/S 图 G^(T)"]
B --> C["2. 团扩张 DAG<br/>G^+ 无损表示 CI"]
C -->|单域数据| D["3. 标准算法+重解释<br/>PC/GES → CPDAG"]
C -->|多域/多代数据| E["4. 多域团扩张 DAG<br/>CDNOD → PDAG"]
D --> F["可靠且完备的<br/>因果/选择识别结论"]
E --> F关键设计¶
1. 演化选择模型：用多代图把"选择—繁殖—遗传"显式画出来
针对"静态模型刻画不了演化"这个根本痛点，作者定义了演化选择模型 \(\mathcal{G}^{(T)}\)（Definition 1）。它从一个静态图 \(\mathcal{G}\)（顶点 \(X\cup\{S\}\)，仅作直观摘要用）展开成一个跨 \(T\) 代的 DAG，含三类顶点：各代性状变量 \(X^{(t)}\)、各代外生可遗传因子 \(\epsilon^{(t)}\)（如基因、家族资源，通常不可观测，作为结构因果模型的噪声项）、二值繁殖指示 \(S^{(t)}\)（\(S^{(t)}=1\) 表示第 \(t\) 代个体成功繁殖、把 \(\epsilon^{(t)}\) 传给下一代）。四类边分别是：代内性状因果 \(X^{(t)}_i\to X^{(t)}_j\)、性状影响繁殖 \(X^{(t)}_i\to S^{(t)}\)、外生因子驱动性状 \(\epsilon^{(t)}_i\to X^{(t)}_i\)、以及遗传/变异 \(\epsilon^{(t)}_i\to\epsilon^{(t+1)}_i\)。观测数据被定义为 \(p(X^{(T)}\mid S^{(0)}=\cdots=S^{(T-1)}=1)\)，简写 \(p(X^{(T)}\mid S^{(<T)}=1)\)——即"所有祖先代都成功繁殖"这一条件下的最新一代。
这个建模有几个巧妙的取舍：繁殖数量被抽象掉，因为多个后代可看成给定亲代 \(X^{(t)}\) 下从 \(X^{(t+1)}\) 的 i.i.d. 抽样，"生几个"可通过重加权等价吸收进 \(p(S^{(t)}=1\mid X^{(t)})\)；机制允许跨代变化（曼彻斯特蛾在污染期/治理后适应度反转），但即便不变，后面的马尔可夫性质照样成立；遗传因子被假设独立作用（为可识别性，作者承认这是局限）。关键论断是 Lemma 1：若 \(\mathcal{G}^{(T)}\) 中成立 d-分离 \(A^{(T)}\perp_d B^{(T)}\mid C^{(T)},S^{(<T)}\)，则 \(\mathcal{G}\) 中必有 \(A\perp_d B\mid C,S\)，但反之不成立——演化会引入静态模型里没有的额外依赖，正是它导致假发现。
2. 团扩张 DAG：把无穷代图的 CI 压缩成一个普通 DAG
\(\mathcal{G}^{(T)}\) 随 \(T\) 增长、含大量隐变量，直接分析很重。作者证明它对观测变量的 CI 结构其实可以被一个仅在 \(X\) 上、无隐变量无选择变量的 DAG 精确表示，称为团扩张 DAG \(\mathcal{G}^+\)（Definition 2）：取一个对 \(\mathcal{G}\) 拓扑的排序 \(\pi\)，则 \(X_i\to X_j\in\mathcal{G}^+\) 当且仅当 \(X_i\to X_j\in\mathcal{G}\)，或者 \(\{X_i,X_j\}\subseteq\mathrm{an}_{\mathcal{G}}(S)\) 且 \(\pi(X_i)<\pi(X_j)\)。直白说：把所有"卷入选择"的变量（\(S\) 的祖先）两两连成一个有向团，这些新增邻接恰好补上了 Lemma 1 里演化引入、而静态图丢失的依赖。
核心结论 Theorem 1：对任意 \(T\ge 1\) 和不相交 \(A,B,C\)，\(\mathcal{G}^{(T)}\) 中 \(A^{(T)}\perp_d B^{(T)}\mid C^{(T)},S^{(<T)}\) 当且仅当 \(\mathcal{G}^+\) 中 \(A\perp_d B\mid C\)。它带来三个重要推论：① 不同 \(T\) 下分布 \(p(X^{(T)}\mid S^{(<T)}=1)\) 会变、甚至不收敛，但蕴含的 CI 不变，所以实践中无需知道数据是第几代、也不必假设演化已达平衡；② 当繁殖完全随机（\(\mathrm{pa}_{\mathcal{G}}(S)=\varnothing\)）时 \(\mathcal{G}^+\) 退化回 \(\mathcal{G}\)，静态图够用；③ 演化选择只能被证伪、不能被证实——永远无法断言某 \(X_i\) 卷入了选择，只能断言它没有，因为任何 CI 都能用"无选择"的 \(\mathcal{G}^+\) 等价表示。作者还特意说明：标准 MAG–FCI 流水线在这里不仅把分析复杂化，还会不完备（某些本可识别的结构被当成模糊），所以才另起 \(\mathcal{G}^+\) 这套更简洁的刻画。
3. 复用标准算法 + 换一套解释：识别流程退化但语义升级
既然全部 CI 都能由不含隐变量/选择的 \(\mathcal{G}^+\) 表示，识别就退化成标准形式（Algorithm 1）：把数据当作"从来没有选择和演化"，直接跑 PC 或 GES（或任何在因果充分性+忠实性下可靠完备的非参方法），输出一个 CPDAG。这看似自相矛盾——讲了半天选择复杂性，最后说可以无视？作者强调：复杂性不在算法构造、而在对输出的解释。
Theorem 2 给出新语义：邻接的可靠完备性——\(X_i,X_j\) 在 CPDAG 中相邻当且仅当二者有直接因果关系，或都卷入选择（\(\{X_i,X_j\}\subseteq\mathrm{an}_{\mathcal{G}}(S)\)）；定向的可靠性——任何被定向的 \(X_i\to X_j\) 都是真因果，且 \(X_j\) 不卷入选择；定向的完备性——任何未定向边都无法进一步识别。对比静态设定，这里的"伪依赖"不再只出现在直接被选变量之间，而是被演化传播到间接卷入选择的变量；且选择的存在性原则上无法从数据证实（实践中若检测到一个团、其两两直接因果在先验上都不合理，则"共同卷入选择"是有力替代解释）。论文用三个场景强调误用的代价：忽略选择→把所有邻接误读成因果；当成静态用 FCI→漏掉"共同间接卷入选择"的可能、还会期待 PAG 里出现实际永不出现的边型；正确建模演化但默认走 MAG–FCI→对本可识别结构仍输出模糊。
4. 多域泛化：用机制变化提升可识别性
针对单域只能识别到 \(\mathcal{G}^+\) 的 CPDAG 这一上限，作者把框架推广到异质数据（多代或多环境，统称多域）。先定义"机制跨域变化"（Definition 3：选择机制 \(p(S^{(t)}\mid X^{(t)})\) 或某 \(X_i\) 的因果机制在不同域参数化不同，变化变量集记 \(I\)）。然后构造多域团扩张 DAG \(\mathcal{G}^{+I}\)（Theorem 3）：在 \(\mathcal{G}^+\) 上加一个辅助域指示顶点 \(\zeta\)，对每个 \(X_i\in I\) 连 \(\zeta\to X_i\)；特别地，若选择本身或卷入选择的变量发生变化（\(\mathrm{an}_{\mathcal{G}}(S)\cap I\ne\varnothing\)），则把 \(\zeta\) 连向 \(\mathrm{an}_{\mathcal{G}}(S)\setminus\{S\}\) 全体。\(\zeta\) 与 \(X\) 间的 CI（即分布跨域的不变性）对应 \(\mathcal{G}^{+I}\) 里的 d-分离。识别上（Algorithm 2）直接套 CDNOD 等标准多域方法，输出 \(X\cup\{\zeta\}\) 上的 PDAG。Theorem 4 证明 Algorithm 2 能定向更多边（且定向全部可识别的），Theorem 2 的全部结论照样成立。两点洞察：选择存在性仍无法证实（\(S\) 不出现在 \(\mathcal{G}^{+I}\)）；当选择变化时，卷入选择的变量在 \(\mathcal{G}^{+I}\) 里都被 \(\zeta\) 直接"因果"指向——这对应"环境与演化影响性状往往通过改变适应度偏好、而非直接改变性状本身"的常识。
实验关键数据¶
静态 vs 演化选择模型的对照¶
| 维度 | 静态选择模型（现有范式） | 演化选择模型（本文 \(\mathcal{G}^{(T)}\)） |
|---|---|---|
| 数据语义 | 全局总体的一次性子集 | 历经多代选择—繁殖的最新一代 |
| 选择结构 | 一次性过滤 \(S\) | 跨代繁殖指示 \(S^{(t)}\) + 遗传 \(\epsilon^{(t)}\!\to\!\epsilon^{(t+1)}\) |
| CI 刻画 | 在 \(\mathcal{G}\) 上对 \(S\) 取条件 | 等价于团扩张 DAG \(\mathcal{G}^+\) 的 d-分离（Thm 1） |
| 演化数据上 | 漏掉额外依赖 → 假发现（Lemma 1） | 可靠完备识别（Thm 2 / 4） |
| 选择存在性 | 有时可确认 | 只能证伪、不能证实 |
合成数据：保守解释提升因果邻接精度¶
合成数据按 Definition 1 生成：先在 \(d\in\{10,15,20\}\) 个观测变量上随机 Erdős–Rényi 图（平均度 2），加一个有 \(d/5\) 个父节点的选择变量 \(S\)，用线性 SEM 实例化；每代每样本按 \(S^{(t)}\) 的分位名次产生 0–5 个后代，后代继承 \(\epsilon^{(t+1)}=\epsilon^{(t)}+\) 单位方差高斯扰动，迭代 \(T\) 代。目标是验证 Theorem 2——只有 CPDAG 里被定向的边才保证是真因果。
| 配置（\(d=20\)，50 次随机） | 因果邻接精度 | 说明 |
|---|---|---|
| PC（本文保守解释） | 更高、跨代 \(T\) 稳定 | 只把定向边当因果 |
| PC（标准解释） | 偏低 | 把所有邻接当因果，含伪邻接 |
| GES（本文保守解释） | 更高 | 同上 |
| GES（标准解释） | 最低 | GES 倾向输出更密的图、未定向边多 |
关键发现¶
- 本文解释一致优于标准解释，且精度随代数 \(T\) 基本不变，印证 Theorem 1"CI 不随 \(T\) 变化"——无需知道数据处于第几代。
- 标准 GES 精度最低，主要因为它输出更稠密、未定向边更多；但其已定向的边仍然可靠，与理论一致。
- 真实数据覆盖 7 个数据集（果蝇基因表达 DGRP、人类颅骨 Cranial、玉米 Panzea、哺乳动物 PanTHERIA、鸟类 AVONET、跨国选举调查 CSES、美国人口微数据 PUMS）。学到的子图多与领域知识吻合：如颅骨形状是下游、选择更可能作用在气候与饮食的上游团；鸟喙形态是下游、选择更可能作用于翼/跗骨等运动性状。
- 作者坦承缺乏带真值因果图的演化选择数据集，只能用 DGRP 的 eQTL 配对作部分真值、其余六个用 LLM 生成的伪真值做定量参考，故真实数据评估以定性为主。
亮点与洞察¶
- 概念层面的"正名"最有价值：把长期被混用的"选择"拆成静态/演化两类，并用一个反例（\(X_1,X_3\) 在 \(\mathcal{G}^{(T)}\) 中经 \(\epsilon^{(T)}\) 开放路径 d-连通，却被静态图错误判为 d-分离）说清静态模型为何会假阳性，这种"先证明现有范式错在哪"的写法很有说服力。
- "复杂建模 → 退化算法"的反转很漂亮：先把演化图建得很重，再证明 CI 可由无隐变量的 \(\mathcal{G}^+\) 表示，于是直接复用 PC/GES/CDNOD——把全部难度从"造新算法"转移到"换解释语义"，工程上几乎零成本。
- "只能证伪不能证实选择"是可迁移的认识论结论：它提醒任何做选择偏差分析的人，不要轻易宣称"某变量被选择"，这一保守性可推广到一般观测研究的解读。
- 用 \(\zeta\) 辅助节点把"机制跨域变化"编码成 CI、再套标准多域方法，是把异质性转化为可识别性增益的通用套路。
局限与展望¶
- 遗传因子独立假设：作者明确承认 \(\epsilon_i\) 独立作用是为可识别性所做的简化，现实中基因会互相调控、一个性状受多基因控制；放开会消掉大部分可用 CI、需要更强的参数化隐变量模型。
- 选择存在性不可证实：理论上无法从数据确认某变量卷入选择，只能依赖先验把"团内两两直接因果不合理"解读为"共同卷入选择"，结论带主观成分。
- 真实数据缺真值：评估以定性为主，定量部分依赖不完整的 eQTL 真值或 LLM 伪真值，说服力受限；亟需带真因果图的演化选择基准数据集。
- 假设因果与选择结构跨域固定、只允许参数化变化，对结构本身演变（如新性状出现）尚未覆盖。
相关工作与启发¶
- vs FCI 及其扩展（局部/序列/干预版）：它们都在统一的静态选择图上做发现，把选择当一次性过滤；本文证明这在演化数据上会假阳性，并给出专门的演化模型与等价的 \(\mathcal{G}^+\) 表示。
- vs MAG–FCI 标准流水线：即便正确建模了演化，直接走 MAG–FCI 仍不完备（某些可识别结构被当模糊）；本文改用团扩张 DAG，既简化分析又恢复完备性。
- vs 演化生物学模型（Fisher 原理、适应度地形、现代综合）：那些不是因果框架；"演化/互惠因果"文献又偏哲学、缺形式化图处理。本文填补了"用因果图模型刻画并从数据识别演化机制"的空白。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次形式化区分静态/演化选择并给出等价的团扩张 DAG 表示，概念与理论双新。
- 实验充分度: ⭐⭐⭐⭐ 合成数据严谨验证理论，真实数据覆盖 7 个领域，但缺真值、定量评估偏弱。
- 写作质量: ⭐⭐⭐⭐⭐ 用反例和自问自答把抽象图论讲得清晰，三场景误用分析很到位。
- 价值: ⭐⭐⭐⭐⭐ 纠正了被广泛默认的建模错误，对生物/社会等所有含世代过程的因果发现有方法论意义。