Ottimizzazione bayesiana causale: fondamenti, metodi e applicazioni

Abstract degli autori

L’ottimizzazione bayesiana causale (CBO) combina l’inferenza causale con l’ottimizzazione bayesiana per selezionare interventi in modo efficiente in termini di campioni nei sistemi dotati di una struttura causale. Questa rassegna presenta una revisione sistematica della CBO attraverso una prospettiva unificata del ciclo di ottimizzazione bayesiana, mostrando come le ipotesi causali influenzino gli spazi di ricerca degli interventi, i modelli surrogati, le funzioni di acquisizione e le politiche decisionali. Organizziamo i metodi esistenti in base alle ipotesi sulla conoscenza del grafo e del sistema, all’ambiente, alla rappresentazione degli interventi, all’architettura del surrogato e alla regola decisionale, e colleghiamo la CBO ai banditi causali, alla progettazione bayesiana degli esperimenti, all’ottimizzazione sicura, alla ricerca di policy e all’astrazione causale. Presentiamo inoltre un benchmark orientato alla riproducibilità che comprende contesti con interventi hard e soft, con il GAP standardizzato e una nuova metrica Path-Aware GAP (PA-GAP), che tiene conto delle traiettorie; il benchmark valuta sette metodi CBO e una baseline di ottimizzazione bayesiana non causale su tredici dataset, con tre budget e due metriche. I risultati mostrano che nessun metodo prevale in modo uniforme: le classifiche dipendono dal dataset, dal budget, dalla metrica e dal modo in cui vengono usate le informazioni causali, mentre solide baseline non causali restano competitive in diversi contesti. Test controllati di stress con specificazioni errate del grafo e variabili omesse mostrano inoltre che le classifiche possono cambiare notevolmente quando si perturbano le informazioni causali a disposizione dell’algoritmo di apprendimento. Concludiamo individuando le principali sfide ancora aperte, tra cui la robustezza alle violazioni delle ipotesi causali, l’ottimizzazione scalabile con grafo sconosciuto, la gestione di tipi di intervento misti, modelli di costo realistici, garanzie teoriche più solide e l’integrazione con metodi moderni di apprendimento delle rappresentazioni e astrazioni causali.