Kausale Unsicherheit: Grenzen von Interventionen in kontinuierlichen Modellen

Judea Pearls do‑Calculus bildet die Grundlage für kausale Inferenz, doch die Übertragung auf kontinuierliche generative Modelle stößt auf schwerwiegende geometrische Hindernisse. In einer neuen Arbeit wird das Fundament dieser Herausforderungen systematisch untersucht.

Die Autoren führen das Konzept des „Counterfactual Event Horizon“ ein und beweisen das Manifold‑Tearing‑Theorem: deterministische Strömungen entwickeln bei extremen Interventionen zwangsläufig Singularitäten in endlicher Zeit. Daraus folgt das Causal Uncertainty Principle, das die Abhängigkeit zwischen der Intensität einer Intervention und der Erhaltung der Identität quantifiziert.

Zur praktischen Umsetzung präsentiert die Studie den Geometry‑Aware Causal Flow (GACF), einen skalierbaren Algorithmus, der mithilfe eines topologischen Radars die Manifold‑Tearing‑Problematik umgeht. Die Wirksamkeit wurde auf hochdimensionalen scRNA‑seq‑Datensätzen demonstriert, was die Relevanz für die Analyse biologischer Systeme unterstreicht.