Causal Representation Learning

تعلم التمثيل السببي (CRL) هو نهج للتعلم الآلي يهدف إلى تحويل الملاحظات المعقدة - مثل الصور أو مقاطع الفيديو أو الصوت أو قراءات المستشعرات - إلى متغيرات عالية المستوى تعكس كيف ينتج النظام الأساسي علاقات السبب والنتيجة. بدلاً من تعلم ميزات تتنبأ بالسمات فقط، يسعى تعلم التمثيل السببي إلى إيجاد تمثيلاتها المقابلة لعوامل ذات مغزى مثل موضع الكائن، أو الإضاءة، أو حالة الآلة، أو الفعل البشري.

الهدف هو جعل النماذج تفكر فيما قد يحدث عندما يتغير عامل ما، بدلاً من الاعتماد فقط على الارتباطات الملاحظة أثناء التدريب. يجمع هذا بين تعلم التمثيل التقليدي عبر التضمينات وأفكار من الاستدلال السببي، مما يساعد أنظمة الذكاء الاصطناعي على التعميم عبر البيئات ودعم التدخلات، والأسئلة المخالفة للواقع، واتخاذ القرار.

كيف يعمل تعلم التمثيل السببي#

عادةً ما تقوم الشبكة العصبية بتعيين مدخلات عالية الأبعاد إلى فضاء كامن داخلي. كما هو موضح في مقدمة جوجل لتضمينات التعلم الآلي، يمكن لهذه المتجهات المدمجة الحفاظ على علاقات مفيدة مع تقليل تعقيد المدخلات. ومع ذلك، قد يخلط التضمين العادي بين الخصائص السببية الأنماط العارضة.

على سبيل المثال، قد يربط مصنف الحياة البرية الثلج بالذئاب لأن معظم صور الذئاب في مجموعة تدريبه لها خلفيات مثلجة. يجب أن يفصل التمثيل السببي هوية الحيوان عن ظروف الخلفية، مما يسمح للنموذج التعرف على الذئاب في الغابات أو الأراضي العشبية.

يتضمن تعلم التمثيل السببي عادة ثلاثة أهداف متصلة:

• استعادة المتغيرات الكامنة ذات المغزى: يجب أن يلتقط التمثيل العوامل الأساسية التي تولد الملاحظات، وليس فقط المختصرات التنبؤية الملائمة.
• نمذجة البنية السببية: قد يتم التعبير عن العلاقات بين المتغيرات من خلال رسم بياني موجه، باتباع المبادئ الموصوفة في إطارات النماذج السببية.
• البقاء مستقراً تحت التدخلات: يجب أن ينتج عن تغيير عامل واحد تغيير مناسب ومحدد في التمثيل. توضح وثائق تدخل DoWhy كيف تختلف التدخلات عن مجرد التكييف على البيانات الملاحظة.

يعمل التدخل على ضبط متغير بفاعلية، مثل تغيير سرعة الروبوت. وبدلاً من ذلك، يسأل السؤال المخالف للواقع عما كان سيحدث في ظل إعداد مختلف، مثل ما إذا كان الاصطدام سيحدث لو تحرك الروبوت بشكل أبطأ.

المفاهيم ذات الصلة والاختلافات الرئيسية#

يتداخل تعلم التمثيل السببي مع العديد من أفكار التعلم الآلي ولكنه يمتلك هدفاً مميزاً.

• التعلم التبايني يتعلم التمثيلات من خلال تقريب الأمثلة ذات الصلة وفصل الأمثلة غير ذات الصلة. يمكنه دعم تعلم التمثيل السببي، لكن التشابه وحده لا يثبت السببية.
• التعلم ذاتي الإشراف ينشئ إشارات تدريب من بيانات غير مصنفة. قد يستخدم تعلم التمثيل السببي هذه الإشارات مع إضافة افتراضات حول التدخلات، أو البيئات، أو الوقت، أو البنية السببية.
• عادة ما يقدر الاستدلال السببي التأثيرات بين المتغيرات المحددة مسبقاً، مثل العلاج، والعمر، والتعافي. يكتشف تعلم التمثيل السببي أولاً المتغيرات السببية المفيدة من المدخلات الإدراكية الخام. هذا التمييز محوري في نظرة عامة أوسع على تعلم التمثيل السببي.
• يحاول تعلم التمثيل المتشابك تعيين أبعاد كامنة منفصلة لعوامل مستقلة. لا يكون التمثيل المتشابك سببياً بالضرورة لأن العوامل المفصولة قد تظل تتجاهل اتجاه تأثيرها أو استجابتها للتدخل.
• يبحث الاكتشاف السببي عن العلاقات بين المتغيرات. يتعلم تعلم التمثيل السببي المتغيرات نفسها بشكل إضافي. يجب اختبار الهياكل المرشحة حيثما أمكن، كما هو موضح في دحض الرسم البياني لـ DoWhy.

في تعلم التمثيل السببي متعدد العروض، تراقب كاميرات أو مستشعرات مختلفة نفس النظام من منظورات مختلفة. تعني إمكانية الملاحظة الجزئية أن كل عرض يكشف عن بعض العوامل السببية فقط. تكون إعدادات المجالات المتعددة غير المقترنة أكثر صعوبة لأن الملاحظات الواردة من بيئات مختلفة لا تتطابق حالة بحالة.

تطبيقات العالم الحقيقي#

الروبوتات المستقلة: يتلقى روبوت المستودع بيانات الكاميرا، والعمق، والحركة التي تحتوي على معلومات حول موضع العائق، والإضاءة، وملموسية الأرضية، وحركته الخاصة. يمكن للتمثيل السببي فصل العوامل القابلة للتحكم، مثل التوجيه، عن العوامل البيئية، مثل الظلال. يمكن للتدريب مع عشوائية المجال تعريض النظام لتغير متحكم فيه، بينما تساعد البنية السببية في تحديد التغييرات التي يجب أن تؤثر على قرارات الملاحة.

فحص التصنيع: قد يربط مكتشف العيوب بشكل خاطئ خط الإنتاج، أو زاوية الكاميرا، أو لون المادة بالمنتجات المعيبة. يمكن أن يساعد تعلم التمثيل السببي في عزل نوع العيب، وإعدادات الآلة، والإضاءة كعوامل منفصلة. هذا يقلل من التعلم بالاختصار عند تغيير المعدات أو المصانع، ويسهل التحقيق فيما إذا كانت درجة حرارة العملية أو الضغط قد ساهم في حدوث عيب بدلاً من ظهوره بجانبه فحسب.

سير العمل العملي والقيود#

يمكن لـ Ultralytics YOLO إنتاج تضمينات مرئية قياسية يمكن للمطورين فحصها قبل تصميم خط أنابيب تعلم سببي منفصل:

from ultralytics import YOLO

# Load a pretrained image classification model
model = YOLO("yolo26n-cls.pt")

# Generate an ordinary visual representation
source = "https://ultralytics.com/images/bus.jpg"
embeddings = model.embed(source)

# Inspect the selected image embedding
embedding = embeddings[0]
print(embedding.shape)

يستخرج سير عمل Ultralytics YOLO26 الموثق هذا تضميناً، لكنه لا يجعل التمثيل سببياً بمفرده. يتطلب إثبات السببية بيانات مناسبة، وافتراضات، وتدخلات، وبيئات متعددة، أو أدلة زمنية.

يجب على الممارسين تغيير عوامل الإزعاج المشتبه بها، وتقييم الأداء عبر المجالات، ومراجعة تحيز مجموعة البيانات. يمكن لـ منصة Ultralytics دعم تعليق مجموعات البيانات، والتدريب، والنشر، وإدارة إصدارات مجموعات البيانات المتحكم بها. بعد النشر، يظل مراقبة النماذج المستمرة أمراً أساسياً نظراً لأن دقة التحقق المستقرة لا تضمن الصلاحية السببية. يجب أن يتبع التقييم أيضاً إرشادات NIST الأوسع بشأن صلاحية وقوة الذكاء الاصطناعي وأن يتضمن فحوصات المجموعات الفرعية مثل تلك الموضحة في دليل جوجل لتحديد تحيز مجموعة البيانات.