最优传输重构反事实推断：兼顾约束与外生噪声独立性

摘要：论文将结构因果模型中的回溯反事实推断统一为最优传输问题：事实观测首先诱导外生变量的后验分布，反事实查询则对应一组必须满足的约束配置。作者提出两种传输框架，一种直接构造自然的点态投影，另一种强制反事实外生变量相互独立，以保留其作为同一SCM真实噪声的语义。针对有限后验给出边际、惩罚和硬约束三类求解器，并通过非双射SCM实验揭示运输成本、约束满足度与独立性保持之间的取舍。

---

核心思路：反事实推断本质上是分布传输

在结构因果模型（SCM）中，观测到事实结果 $Y=y$ 后，外生变量 $U$ 通常不会剩下唯一取值，而是形成一个后验分布：

$$p(U\mid Y=y)\propto p(y\mid U),p(U).$$

因此，反事实问题并不是简单地把某个 $U$ 替换为另一个值，而是要寻找外生配置的分布，使修改后的结构方程同时产生期望的反事实结果，并尽可能保留原事实的信息。论文将这一问题转写为最优传输：从后验 $p(U\mid Y=y)$ 运输到满足反事实查询的可接受集合 $\mathcal{C}_{cf}$。

这一视角的重要性在于，它显式区分了三个常被混用的目标：运输代价最小、查询约束得到满足，以及反事实变量仍具有清晰的外生噪声语义。

两种互补的传输框架

1. 点态投影：适合直接使用反事实样本

第一种框架把每个事实后验支持点映射为满足查询的最近可行配置。其目标可概括为：

$$T^*(u)=\arg\min_{u'\in\mathcal{C}_{cf}} d(u,u').$$

该方案计算路径清晰，适合后验支持有限、约束集可以直接枚举或高效查询的场景。其代价是逐点投影可能破坏外生变量原有的联合结构：如果多个变量原本相关，独立地对它们做最近点匹配，可能生成在原始SCM语义下不合理的联合噪声。

2. 独立性保持传输：维持SCM外生噪声语义

第二种框架不直接约束每个样本点，而是要求传输后的外生变量 $U'{cf,1},\ldots,U'{cf,d}$ 相互独立，同时整体满足反事实查询。它试图保留如下关键解释：每个 $U'_{cf,j}$ 仍是同一SCM中的独立外生噪声，而不是由查询约束人为耦合出来的潜变量。

数学上，这通常对应在“联合分布的独立性约束”与反事实可行域之间寻找耦合。相比点态投影，该框架更符合SCM的建模假设，但求解难度更高，也更容易产生较大的运输代价或较弱的查询约束满足度。

求解器与约束实现

针对有限后验，论文给出三类计算方案：

• 边际求解器：分别处理各变量或各约束，适合变量维度较低、边际约束可以分解的问题。
• 惩罚法：把约束违反转化为目标函数中的惩罚项，通过软权重平衡运输距离与查询要求。实现灵活，但惩罚权重需要调节，并可能留下约束残差。
• 硬约束求解器：将可行性直接纳入可行域搜索，得到严格满足查询的解，但计算成本通常更高，也可能牺牲更多原始后验信息。

实际选择取决于应用是否更看重“绝不违反反事实约束”，还是更看重保留事实分布及较低计算开销。若约束来自医疗、信用或政策模拟，硬约束往往更可审计；若用于大规模敏感性分析或近似采样，惩罚法可能更实用。

工程权衡：代价、约束与独立性不可兼得

该方法的核心工程问题不是单纯求解一个最优解，而是避免在三个目标之间进行隐性替换：

1. 低运输成本通常意味着输出更接近事实后验，但反事实查询可能只得到弱满足。
2. 强约束可以提高反事实有效性，却可能迫使变量偏离原后验支撑集。
3. 独立性保持有助于维持SCM可解释性，但可能造成联合分布或边际分布的额外变形。

对于有限后验，枚举和重优化的复杂度通常随样本数、变量维度及约束数量快速增长；惩罚法虽可借助现有优化器扩展，但其最优性往往依赖初始化、权重选择和迭代预算。论文实验展示的是非双射SCM中的几何结构，而不是针对高维工业SCM的规模证明。

评测应如何解读

论文在非双射SCM上展示不同方法的几何性质，核心价值在于揭示方法之间无法同时满足的权衡，而不是证明某一方案在通用任务上全面领先。解读这类实验时，应重点检查：

• 反事实约束是否被独立验证，而不只是由优化器自身定义；
• 运输成本采用的度量是否与SCM变量语义一致；
• 外生独立性是否同时通过联合分布测试，而不只是检查边缘均值或方差；
• 基准规模、SCM拓扑和约束难度是否足以支持泛化结论。

目前公开摘要未提供真实业务数据上的效果，也没有显示对连续高维SCM、未知结构或观测误差的鲁棒性。因此，这项研究更适合作为反事实推断的求解框架与评估基线，而非已经完成工程验证的通用算法。

开发者落地建议

• 对低维、可枚举的SCM，优先实现有限后验上的点态投影基线，建立成本与约束满足的帕累托曲线。
• 若输出需要保留独立外生噪声语义，再加入独立性保持传输，并报告运输距离、约束违反率和独立性检验三项指标。
• 生产场景应把硬约束、惩罚约束分别作为不同模式，而非隐藏在同一个“约束满足”指标里。
• 评估时保存事实后验支撑集和反事实传输映射，便于审计输出是否过度依赖某一批事实样本。
• 扩展到高维场景前，应先验证问题是否具有可分性、低秩结构或可利用的因果方向；否则直接套用通用最优传输求解器可能成本过高。

---

消息来源：ArXiv AI (cs.AI) (2026-11-09)

—— 完 ——

主题标签： #最优传输 关注 #结构因果模型 关注 #反事实推断 关注 #外生独立性 关注 #因果推断 关注