Causal Representation Learning

تعلُّم التمثيلات السببية (CRL) هو نهج في تعلُّم الآلة يهدف إلى تحويل الملاحظات المعقدة—مثل الصور أو الفيديو أو الصوت أو قراءات المستشعرات—إلى متغيرات عالية المستوى تعكس كيفية إنتاج النظام الأساسي للعلاقات السببية بين الأسباب والنتائج. وبدلاً من تعلُّم سمات تقتصر مهمتها على التنبؤ بالتصنيفات، يسعى CRL إلى إنشاء تمثيلات تقابل عوامل ذات معنى، مثل موضع الكائن، والإضاءة، وحالة الآلة، أو الفعل البشري.

يتمثل الهدف في جعل النماذج تستدل على ما قد يحدث عند تغيّر أحد العوامل، بدلاً من الاعتماد فقط على الارتباطات التي لوحظت أثناء التدريب. ويجمع ذلك بين تعلُّم التمثيلات من خلال التضمينات التقليدي وأفكار من الاستدلال السببي، مما يساعد أنظمة الذكاء الاصطناعي على التعميم عبر البيئات ودعم التدخلات والأسئلة المضادة للواقع واتخاذ القرارات.

كيفية عمل تعلُّم التمثيلات السببية#

تُسقط الشبكة العصبية عادةً المدخلات عالية الأبعاد إلى فضاء كامن داخلي. وكما هو موضح في مقدمة Google إلى تضمينات تعلُّم الآلة، يمكن لهذه المتجهات المدمجة الحفاظ على العلاقات المفيدة مع تقليل تعقيد المدخلات. غير أن التضمين العادي قد يخلط بين الخصائص السببية والأنماط العرضية.

فعلى سبيل المثال، قد يربط مصنّف للحياة البرية بين الثلج والذئاب، لأن معظم صور الذئاب في مجموعة بيانات التدريب تتضمن خلفيات ثلجية. وينبغي للتمثيل السببي أن يفصل بين هوية الحيوان وظروف الخلفية، مما يتيح للنموذج التعرّف على الذئاب في الغابات أو الأراضي العشبية.

يتضمن CRL عادةً ثلاثة أهداف مترابطة:

• استعادة المتغيرات الكامنة ذات المعنى: ينبغي أن يلتقط التمثيل العوامل الأساسية التي تولّد الملاحظات، لا الاختصارات التنبؤية الملائمة فحسب.
• نمذجة البنية السببية: يمكن التعبير عن العلاقات بين المتغيرات من خلال رسم بياني موجّه، وفقاً للمبادئ الموضحة في أطر النماذج السببية.
• الحفاظ على الاستقرار تحت التدخلات: ينبغي أن يؤدي تغيير عامل واحد إلى تغيير مناسب وموضعي في التمثيل. وتوضح وثائق التدخل في DoWhy كيف تختلف التدخلات عن مجرد تكييف النموذج على البيانات المرصودة.

يُعيّن التدخل متغيراً تعييناً نشطاً، مثل تغيير سرعة روبوت. أما السؤال المضاد للواقع فيسأل عما كان سيحدث في ظل إعداد مختلف، مثل ما إذا كان تصادم سيقع لو تحرك الروبوت بسرعة أبطأ.

المفاهيم ذات الصلة والفروق الرئيسية#

يتقاطع CRL مع العديد من أفكار تعلُّم الآلة، لكنه يتميز بهدف مختلف.

• التعلُّم التبايني يتعلّم التمثيلات من خلال تقريب الأمثلة المرتبطة من بعضها وإبعاد الأمثلة غير المرتبطة. ويمكنه دعم CRL، لكن التشابه وحده لا يثبت السببية.
• التعلُّم ذاتي الإشراف ينشئ إشارات التدريب من البيانات غير الموسومة. وقد يستخدم CRL هذه الإشارات مع إضافة افتراضات حول التدخلات أو البيئات أو الزمن أو البنية السببية.
• الاستدلال السببي يقدّر عادةً التأثيرات بين متغيرات محددة مسبقاً، مثل العلاج والعمر والتعافي. أما CRL فيكتشف أولاً المتغيرات السببية المفيدة من المدخلات الإدراكية الخام. ويُعد هذا التمييز محورياً في نظرة عامة على تعلُّم التمثيلات السببية الأوسع.
• تعلُّم التمثيلات المفككة يحاول تعيين أبعاد كامنة منفصلة للعوامل المستقلة. غير أن التمثيل المفكك ليس سببياً بالضرورة، لأن العوامل المفصولة قد تظل تفتقر إلى اتجاه تأثيرها أو استجابتها للتدخل.
• اكتشاف السببية يبحث عن العلاقات بين المتغيرات. أما CRL فيتعلّم المتغيرات نفسها أيضاً. وينبغي اختبار البنى المرشحة حيثما أمكن، كما هو موضح في دحض الرسم البياني باستخدام DoWhy.

في CRL متعدد المناظر، تراقب كاميرات أو مستشعرات مختلفة النظام نفسه من منظورات متعددة. وتعني قابلية الملاحظة الجزئية أن كل منظر يكشف بعض العوامل السببية فقط. وتكون إعدادات المجالات المتعددة غير المقترنة أصعب، لأن الملاحظات من البيئات المختلفة لا تتطابق مثيلاً بمثيل.

التطبيقات الواقعية#

الروبوتات المستقلة: يتلقى روبوت المستودع بيانات من الكاميرا والعمق والحركة، تتضمن معلومات عن موضع العائق والإضاءة وملمس الأرضية وحركته الذاتية. ويمكن للتمثيل السببي فصل العوامل القابلة للتحكم، مثل التوجيه، عن العوامل البيئية، مثل الظلال. ويمكن أن يعرّض التدريب باستخدام التنويع النطاقي النظامَ لتباين مضبوط، بينما تساعد البنية السببية على تحديد التغييرات التي ينبغي أن تؤثر في قرارات الملاحة.

الفحص التصنيعي: قد يربط كاشف العيوب خط إنتاج أو زاوية كاميرا أو لون مادة، على نحو خاطئ، بالمنتجات المعيبة. ويمكن أن يساعد CRL على عزل نوع العيب وإعدادات الآلة والإضاءة بوصفها عوامل منفصلة. ويقلل ذلك من تعلُّم الاختصارات عند تغير المعدات أو المصانع، ويسهّل التحقيق في ما إذا كانت درجة حرارة العملية أو ضغطها قد أسهما في حدوث العيب، بدلاً من مجرد ظهورهما إلى جانبه.

سير العمل العملي والقيود#

يمكن لـ Ultralytics YOLO إنشاء تضمينات بصرية قياسية يستطيع المطورون فحصها قبل تصميم مسار منفصل لتعلُّم السببية:

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 العمل الموثق هذا باستخدام Ultralytics YOLO26 تضميناً، لكنه لا يجعل التمثيل سببياً بحد ذاته. ويتطلب إثبات السببية بيانات وافتراضات وتدخلات وبيئات متعددة أو أدلة زمنية مناسبة.

ينبغي للممارسين تغيير عوامل الإزعاج المشتبه فيها، وتقييم الأداء عبر المجالات، ومراجعة تحيز مجموعة البيانات. ويمكن أن تدعم منصة Ultralytics وسم مجموعات البيانات وتدريبها ونشرها وإدارة إصداراتها بصورة مضبوطة. وبعد النشر، تُعد مراقبة النموذج المستمرة ضرورية، لأن دقة التحقق المستقرة لا تضمن الصلاحية السببية. وينبغي أن يتبع التقييم أيضاً إرشادات NIST بشأن صلاحية الذكاء الاصطناعي ومتانته الأوسع، وأن يتضمن فحوصات للمجموعات الفرعية مثل تلك الموضحة في دليل Google لتحديد تحيز مجموعة البيانات.