Identifying Structural Biases from Causal Mechanism Shifts¶

会议: NeurIPS 2026
arXiv: 2606.18834
OpenReview: https://openreview.net/forum?id=YUeprsuXFc
代码: https://github.com/niftynans/strubi
领域: 因果推理
关键词: 因果发现, 潜在混杂, 选择偏差, 机制漂移, 调整互信息

一句话总结¶

本文揭示了潜在混杂与对撞选择偏差在多环境数据中会导致可区分的因果机制联动漂移模式，并提出基于调整互信息与祖先覆盖度的非参数算法 StruBI，实现了对未观测混杂与选择偏差的高精度检测与受影响变量子集恢复。

研究背景与动机¶

从观测数据中进行因果推断通常依赖于因果充分性（无未观测混杂）与独立同分布（i.i.d.，无选择偏差）两大经典假设。然而在真实的复杂系统（如生物信号网络、医疗健康记录与经济实证分析）中，这两大假设几乎不可避免地同时遭到破坏。当关键混杂因子未被测量时，模型会把非因果关联误认为因果边；而当样本采集过程受到下游共同结果（对撞节点）的非随机保留筛选时，原本独立的因果祖先之间又会诱发出伪相关。单环境下的纯观测数据在数学上通常难以区分混杂与选择偏差，传统基于约束的局部测试方法往往陷入等价性模糊，迫使研究者引入严苛的参数化分布假设或时间序列结构。

随着多环境异质数据（如批次效应、跨中心试验、分子药物干预）的普及，利用跨环境分布漂移放宽因果识别假设成为新的理论前沿。现有基于机制变化的方法多集中于利用不变性寻找因果父节点，或在独立机制变化假设下检测隐藏混杂，却忽视了选择偏差同样会扭曲条件分布的这一事实。更为关键的是，学界此前缺乏通用的非参数理论准则，来定性判别多环境下所观察到的机制变异究竟是源自上游的隐藏共同原因，还是源自下游的选择性样本截断。

本文的切入角度是考察因果图拓扑与机制变化在观测分布中的非对称传递规律：上游潜在混杂的内在漂移仅会直接污染其下属子节点的观测条件机制；相反，当下游潜在对撞节点承受选择截断时，贝叶斯反向更新会使得该选择节点的所有可观测祖先节点在观测分布下发生联动变异。核心 idea：利用跨上下文非独立机制漂移的协同性与图拓扑上的祖先覆盖度，构建无需强参数假设的信息论判别准则，统一识别无偏系统、潜在混杂与选择偏差并精确定位受影响变量子集。

方法详解¶

整体框架¶

StruBI（Structural Bias Identification）算法建立在给定可观测因果图 $\mathcal{G}$ 和跨多个上下文环境 $\mathcal{C}$ 收集的数据集之上。整体流程分为三个主要阶段：首先，利用非参数条件独立性检验量化每个观测节点在不同环境间的机制是否发生漂移，为每个变量生成离散的环境划分；其次，计算各变量划分之间的调整互信息（Adjusted Mutual Information, AMI），构建变量间机制协同变异的亲和力矩阵，并通过连通分量聚类挖掘潜在变量影响的候选节点子集；最后，基于因果图的拓扑结构计算候选子集的祖先覆盖度（Ancestral Coverage），据此精准区分该子集究竟是由上游隐藏混杂还是下游选择对撞所致。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多上下文观测数据与因果图"] --> B["机制漂移检验与划分构建<br/>KCI / KS 检验获得上下文划分"]
    B --> C["协同漂移挖掘与亲和力矩阵<br/>成对调整互信息 AMI 与连通分量"]
    C -->|平均 AMI 低于阈值| D["判定为无偏节点子集"]
    C -->|平均 AMI 高于阈值| E["祖先覆盖度拓扑判别<br/>计算子集在图中的闭包覆盖比例"]
    E -->|覆盖度低于阈值| F["判定为潜在混杂影响"]
    E -->|覆盖度高于阈值| G["判定为选择偏差影响"]

关键设计¶

1. 机制漂移检验与离散上下文划分：从连续分布检验提炼机制不变块

为了摆脱传统方法对线性高斯或特定加性噪声模型的依赖，算法针对任意连续变量机制采用非参数核条件独立性检验。对于具有观测父节点 $\text{pa}_i$ 的节点 $X_i$，在任意两个上下文 $c, c'$ 之间检验条件分布是否相同： $$p_{c,c'} = \text{p-val}\left( P^c(X_i \mid \text{pa}_i) \neq P^{c'}(X_i \mid \text{pa}_i) \right)$$ 对于根节点则退化为单变量的 Kolmogorov-Smirnov 检验。在显著性阈值判定下，算法将各环境中机制不变的上下文聚并为同一等价类，从而为每个可观测变量 $X_i$ 抽取出反映其内在与诱导漂移的离散划分 $\Pi_i^{\text{obs}} = \{\pi_i^1, \dots, \pi_i^I\}$。这种二元划分表示不仅有效压制了局部连续微扰带来的方差波动，还为跨变量的协同信息度量提供了稳健的离散表示基准。

2. 调整互信息亲和力矩阵与隐变量检测：消除偶然重合的有限样本偏差

当某个未测变量（混杂或选择）发生机制变化时，所有受到其结构性影响的观测变量将在相同的上下文中同步发生观测机制改变。然而在有限上下文集合下，纯粹独立的稀疏机制变化也可能因维度有限而出现偶然重合，导致常规互信息产生正向虚假偏置。为此，算法引入调整互信息（AMI）构建全局亲和力矩阵 $\mathcal{M}_{ij} = \text{AMI}(\Pi_i^{\text{obs}}, \Pi_j^{\text{obs}})$： $$\text{AMI}(\Pi_i^{\text{obs}}, \Pi_j^{\text{obs}}) = \frac{\text{MI}(\Pi_i^{\text{obs}}, \Pi_j^{\text{obs}}) - \mathbb{E}[\text{MI}(\Pi_i^{\text{obs}}, \Pi_j^{\text{obs}})]}{\frac{1}{2}\left(H(\Pi_i^{\text{obs}}) + H(\Pi_j^{\text{obs}})\right) - \mathbb{E}[\text{MI}(\Pi_i^{\text{obs}}, \Pi_j^{\text{obs}})]}$$ 其中超几何分布期望扣除了随机离散划分偶然相交的基线。通过提取亲和图上非平凡连通分量并过滤平均协同强度 $\bar{m}(S) < \tau_1$（默认 $\tau_1=0.1$）的独立背景簇，精准筛选出所有由同一隐变量协同驱动的候选变量子集 $X_S$。

3. 祖先覆盖度拓扑判别准则：利用因果流向不对称性切分两类偏差

理论分析证明，潜在混杂 $Z$ 的内在变化仅通过因果前向传播影响其直接子节点 $\text{ch}(Z)$，故受影响集合通常不包含其上游祖先；相反，若选择变量 $S$ 的采样概率发生剧烈变异，根据贝叶斯后验加权，所有通向该选择变量的祖先节点 $\text{anc}(S)$ 均会在截断分布下发生表观机制漂移。基于这一深刻拓扑不对称性，定义变量子集 $S$ 的祖先覆盖度指标： $$\text{cov}_{\mathcal{G}}(S) := \frac{|S|}{|\text{anc}_{\mathcal{G}}^+(S)|}$$ 其中 $\text{anc}_{\mathcal{G}}^+(S) = \text{anc}_{\mathcal{G}}(S) \cup S$。对于选择偏差诱导的变量集合，理论上形成严格祖先封闭集（$\text{cov}=1$）；而对于大小为 $k$ 的混杂集合，由于未测混杂极难同时覆盖其所有上游祖先，其覆盖度上界必然满足 $\text{cov}_{\mathcal{G}}(S) \le \frac{k}{k+1}$。算法设定阈值 $\tau_2 = 0.6$，当覆盖度超越阈值时确定为选择偏差，低于阈值则判定为潜在混杂。

损失函数 / 训练策略¶

StruBI 是一套非参数统计检验与图拓扑推断算法，无需参数化损失函数梯度更新。在超参数配置上，环境样本规模默认采用 $n=500$ 样本/上下文以保障 KCI 检验功率；多环境扩展因子设为 $m_c = 2m$（$m$ 为观测变量数）；全局决策阈值固化为潜在变量检测阈值 $\tau_1 = 0.1$ 与偏差分类覆盖度阈值 $\tau_2 = 0.6$。在因果图未知的情形下，采用基于信息论拓扑排序的 Topic 算法先验推断因果骨架与有向无环图，再输入 StruBI 运行。

实验关键数据¶

主实验¶

在合成数据集上，针对不同图规模（$m \in \{3, 5, 7, 9, 11, 13\}$）对比了 StruBI（基于学习图 $\hat{\mathcal{G}}$）与 FCI 池化版（FCI-P）、多环境 JCI-FCI、隐藏混杂发现算法 CoCo，以及两类选择偏差基线 LS-Pooled（LS-P）和 LS-Contexts（LS-C）。评估核心指标为潜在变量发现 Macro-$F_1$、受影响变量子集恢复 Macro-$F_1$ 以及结构偏差类型分类 Macro-$F_1$。

方法 / 算法配置	潜变量检测 Macro-$F_1$	受影响子集恢复 Macro-$F_1$	偏差类型分类 Macro-$F_1$	计算运行耗时 (13节点)
FCI-P	0.28	0.21	0.19	< 1 s
JCI-FCI	0.42	0.35	0.31	< 1 s
LS-P	0.33	0.24	0.22	< 1 s
LS-C	0.36	0.26	0.25	< 1 s
CoCo	0.68	0.61	0.48	> 100 s
StruBI ($\hat{\mathcal{G}}$, Ours)	0.91	0.86	0.88	35.13 s
*StruBI ($\mathcal{G}^$, Oracle)**	0.93	0.88	0.90	34.47 s

在真实世界 Sachs et al. 流式细胞免疫共刺激信号通路数据集（11 个蛋白质/磷脂分子）中，针对 PKC 节点施加人为剔除以模拟潜在混杂，以及基于 80% 分位数筛选截断以模拟选择偏差：

实验场景设置	对比基线	正确识别偏差类型	真正受影响节点捕获率 (Recall)	假阳性污染边数 (FP)
人工混杂注入 (PKC 剔除)	CoCo	是	3 / 4 (75.0%)	2
	JCI-FCI	否 (判定模糊)	1 / 4 (25.0%)	1
	LS-C	否	全图返还 (无特异性)	7
	StruBI (Ours)	是 (Confounding)	3 / 4 直接 + 2 间接正确	0 (与扩展共识图吻合)
人工选择偏差注入 (PKC 截断)	CoCo	否 (误判为混杂)	2 / 8 (25.0%)	4
	JCI-FCI	否	2 / 8 (25.0%)	2
	LS-C	否	全图返还 (无特异性)	3
	StruBI (Ours)	是 (Selection)	6 / 8 真实祖先 (75.0%)	0 (回溯路径清晰)

消融实验¶

消融实验围绕样本复杂度 $n$、观测节点与潜变量漂移发生率之比 $r$、机制漂移稀疏度 $\delta$ 以及因果图结构噪声（反向边比例 $f$）展开：

消融考察维度	变量参数配置	偏差分类 $F_1$	子集恢复 $F_1$	实验结论与机制归因
样本量复杂度 $n$	$n=100$	0.74	0.69	样本不足使 KCI 检验功效下降，最优阈值下移至 0.46
	$n=200$	0.81	0.78	检验功效快速爬升，平均耗时仅 2.91s
	$n=500$ (默认)	0.89	0.87	统计功效与开销最优折中，最优分类阈值稳定于 0.60
	$n=1000$	0.90	0.88	性能边际提升趋缓，但总计算耗时大幅增加至 124.23s
图结构噪声率 $f$	翻转率 $f=0.10$	0.87	0.85	极小幅度下滑，表明对轻度结构学习误差鲁棒
	翻转率 $f=0.25$	0.83	0.81	关键路径仍大致维持，祖先拓扑关系未完全破坏
	翻转率 $f=0.50$	0.72	0.70	大量有向边反向导致祖先覆盖度失真，分类精度受损
漂移相对频度 $r$	$r=0.25$ (默认)	0.89	0.87	观测变量背景漂移较少，潜变量协同信号非常清晰
	$r=1.00$	0.75	0.73	观测节点频繁变动产生后门路径伪相关，干扰覆盖度

关键发现¶

算法分类能力完全取决于多环境下划分质量与机制独立性假设的成立度。当通过真实划分 Oracle 输入时，StruBI 的分类 Macro-$F_1$ 达到接近 1.0 的完美水平。
采用学习图 $\hat{\mathcal{G}}$ 与真实金标准图 $\mathcal{G}^*$ 的性能差距极其微弱（Macro-$F_1$ 仅相差 0.02），证明只要拓扑因果排序大致正确，祖先闭包比率对局部边扰动具有很强的容忍度。
混杂与选择偏差的分辨难点在于「高节点出度的深层混杂」与「浅层对撞选择」在有限观测节点子集上可能出现相近的覆盖度；但在 Erdős-Rényi 随机图模型下，非封闭混杂集合无法满足闭包条件的概率随维度呈指数级压制。

亮点与洞察¶

首次确立了多环境下利用因果机制非独立协同变异统一判定混杂与选择偏差的非参数理论框架，打破了传统单环境测试不可区分的等价性壁垒。
创新性地提出「祖先覆盖度」作为结构特征指标，利用因果信息流向前向阻断（混杂局限于子代）与后向反冲（选择波及全部祖先）的拓扑不对称性，将复杂因果识别问题优雅转化为图连通覆盖检验。
借助调整互信息（AMI）进行无偏置有限样本亲和度图聚类，免除了参数化假设，对神经网络激活、多项式核以及非高斯均匀噪声均能无缝适配。

局限与展望¶

理论严格建立在因果图无环性（DAG）假设与因果忠实性之上。当实际生物网络存在高频反馈环路（如 MAPK 通路的逆向调节）时，祖先节点集合可能出现无限递归或循环闭包，导致覆盖度计算产生系统性偏差。
依赖于机制变化的稀疏性与独立性假说。若跨环境变化源自多靶点复合性系统级干预，诱发多个节点同时发生内在机制重组，AMI 连通分量可能将独立干预误判为单一隐变量。
后续可探索将上下文环境概念推广至时序非平稳数据中的动态体制切换（Regime Shifts），并在部分已知干预靶点约束下进一步放宽忠实性与无环假设。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次从机制协同漂移角度给出了非参数化切分混杂与选择偏差的完备图拓扑准则。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖不同图规模、多样非线性 SEM 生成机制、严密消融以及经典流式细胞真实生物学验证。
写作质量: ⭐⭐⭐⭐⭐ 理论推导清晰完备，从简洁示例到实解析函数零测集定理，层次推进极佳。
价值: ⭐⭐⭐⭐⭐ 为异质多环境因果发现与稳健表征学习提供了强有力的非参数结构偏置诊断工具。

消融考察维度	变量参数配置	偏差分类 \(F_1\)	子集恢复 \(F_1\)	实验结论与机制归因
样本量复杂度 \(n\)	\(n=100\)	0.74	0.69	样本不足使 KCI 检验功效下降，最优阈值下移至 0.46
	\(n=200\)	0.81	0.78	检验功效快速爬升，平均耗时仅 2.91s
	\(n=500\) (默认)	0.89	0.87	统计功效与开销最优折中，最优分类阈值稳定于 0.60
	\(n=1000\)	0.90	0.88	性能边际提升趋缓，但总计算耗时大幅增加至 124.23s
图结构噪声率 \(f\)	翻转率 \(f=0.10\)	0.87	0.85	极小幅度下滑，表明对轻度结构学习误差鲁棒
	翻转率 \(f=0.25\)	0.83	0.81	关键路径仍大致维持，祖先拓扑关系未完全破坏
	翻转率 \(f=0.50\)	0.72	0.70	大量有向边反向导致祖先覆盖度失真，分类精度受损
漂移相对频度 \(r\)	\(r=0.25\) (默认)	0.89	0.87	观测变量背景漂移较少，潜变量协同信号非常清晰
	\(r=1.00\)	0.75	0.73	观测节点频繁变动产生后门路径伪相关，干扰覆盖度