Causal Discovery

Nedensel keşif, verilerden hangi değişkenlerin hangilerine neden olduğunu çıkarma işidir. Sonuçta X'ten Y'ye bir ok, X'in Y'yi doğrudan etkilediği anlamına gelen yönlü bir grafik elde edilir. Standart makine öğrenmesi, tahmine dayalı modelleme için yeterli olan ilişkileri öğrenir. Nedensel keşif, makine ayarını veya trafik sinyali programını değiştirmek gibi bir müdahale altında bu ilişkilerden hangilerinin geçerli kalacağını sorar. Çıktı, çoğu zaman bazı kenarları yönsüz bırakılmış aday nedensel yapılar kümesidir; alan uzmanları ve deneyler daha sonra bu yapıları iyileştirir.

Nedensel Yapının Öğrenilebilir Olmasını Sağlayan Nedir#

Nedensel grafikler genellikle, bir Bayes ağı ile aynı yapıyı kullanan yönlü çevrimsiz grafiklerdir (DAG); nedensel biçimde yorumlandıklarında her ok doğrudan bir etkiyi gösterir. Keşif algoritmaları üç standart varsayıma dayanır. Nedensel Markov koşuluna göre, bir değişkenin doğrudan nedenleri bilindiğinde, değişken bu nedenlerin etkisi olmayan her değişkenden bağımsızdır. Sadakat, verilerdeki her bağımsızlığın, birbirini tesadüfen götüren etkilerden değil, grafik yapısından kaynaklandığını söyler. Nedensel yeterlilik ise ölçülmemiş hiçbir değişkenin iki ölçülmüş değişkene birden neden olmadığı anlamına gelir.

Bu üç varsayımın tümü geçerli olsa bile, gözlemsel veriler kenarların yönünü her zaman ortaya çıkaramaz. X → Y → Z zinciri, ters zincir X ← Y ← Z ve çatallanma X ← Y → Z aynı bağımsızlık örüntüsünü, yani Y bilindiğinde X ile Z'nin bağımsız hâle gelmesini ifade eder. Bu nedenle gözlemsel verilerin miktarı ne olursa olsun bunlar birbirinden ayırt edilemez. Çarpışan yapı X → Y ← Z ise farklıdır. X ile Z kendi başlarına bağımsızdır, ancak Y bilindiğinde bağımlı hâle gelirler; bu örüntü her iki okun yönünü de belirler.

Bu nedenle algoritmalar, yönü kesinleşmiş kenarlarla her iki yöne de işaret edebilecek yönsüz kenarları içeren, kısmen yönlü bir grafik olan Markov eşdeğerlik sınıfını döndürür. Aynı özellik, veri kümesi yanlılığının klasik bir kaynağını da açıklar: bir çarpışana göre filtreleme veya ayarlama, tam popülasyonda bulunmayan nedenler arasında bağımlılık yaratır.

Keşif Algoritmaları#

Yöntemlerin çoğu üç aileye ayrılır. Peter Spirtes ve Clark Glymour'un 1991'de yayımladığı PC gibi kısıt tabanlı algoritmalar, tamamen bağlantılı yönsüz bir grafikle başlar; koşullu bağımsızlığı test edilen değişkenler arasındaki kenarları siler ve ardından çarpışanları yönlendirir. FCI, bu yaklaşımı gizli karıştırıcıların bulunduğu durumlara genişletir. Greedy equivalence search (GES) gibi puan tabanlı algoritmalar, en iyi puanı (örneğin Bayesçi bilgi ölçütünü) bulmak için grafikler üzerinde arama yapar. NOTEARS ise çevrimselliği düzgün bir kısıt olarak yeniden ifade eder; böylece arama, gradyan inişiyle sürekli optimizasyon olarak yürütülebilir. LiNGAM gibi işlevsel yöntemler, Gauss dışı gürültülü doğrusal ilişkiler varsayar; bu da yalnızca iki değişken arasında bile her kenarın yönünü belirlenebilir kılar.

Keşif kütüphaneleri ayrıca arama alanını daraltan ve verinin tek başına belirleyemeyeceği kenarların yönünü belirleyen arka plan kuralları olarak zaman sıralamasını, fiziksel kısıtları ve uzman bilgisini kabul eder. Açık kaynaklı causal-learn kütüphanesi üç ailenin de uygulamalarını içerir. Bu örnek, bilinen bir çarpışandan veri üretir ve PC ile çarpışanı yeniden bulur:

import numpy as np
from causallearn.search.ConstraintBased.PC import pc

rng = np.random.default_rng(0)
n = 5000

# Gerçek durum: hem yağmur hem de stadyumdaki bir etkinlik trafiğe neden olur
rain = rng.normal(size=n)
event = rng.normal(size=n)
congestion = rain + event + rng.normal(scale=0.5, size=n)

# PC, grafiği yalnızca verilerden çıkarmak için koşullu bağımsızlığı test eder
data = np.column_stack([rain, event, congestion])
result = pc(data, alpha=0.05, node_names=["rain", "event", "congestion"], show_progress=False)
print(result.G)

Çıktıda yağmur --> trafik yoğunluğu ve etkinlik --> trafik yoğunluğu olmak üzere iki yönlendirilmiş kenar listelenir. Yağmur ile etkinlik bağımsız oldukları, ancak trafik yoğunluğu bilindiğinde bağımlı hâle geldikleri için PC her iki kenarın yönünü de belirler. Gerçek yapı yağmurdan trafik yoğunluğuna ve oradan gecikmelere giden bir zincir olsaydı, kenarlar yönsüz olarak dönerdi.

Nedensel Keşfin Kullanıldığı Alanlar#

Biyoloji, erken dönem önemli uygulamalardan birini sundu. Karen Sachs ve çalışma arkadaşları 2005'te tek hücre ölçümlerinden 11 protein ve fosfolipit arasındaki bir protein sinyal ağı çıkardı, bilinen bağlantıların çoğunu yeniden buldu ve yazarlar yeni öngörülen bir bağlantıyı sonraki laboratuvar deneylerinde doğruladı. İklim biliminde Jakob Runge tarafından geliştirilen ve Tigramite paketinde uygulanan PCMCI gibi zaman serisi yöntemleri, gecikmeleri ve otokorelasyonu ele alırken iklim değişkenleri arasındaki nedensel bağlantıları bulur; bu özellikler zaman serisi analizine doğal biçimde uygundur. PyWhy ekosistemi, grafik sabitlendikten sonra bir etkinin büyüklüğünü tahmin etmeye yarayan sonraki adım için keşif araçlarını DoWhy ile bir araya getirir.

Bilgisayarlı görü değişkenleri sağlayabilir. Trafik görüntülerinde bir çizgiyi veya bölgeyi geçen araç ve yayaları Ultralytics YOLO26 ile nesne sayma yöntemiyle sayabilirsin. Keşif algoritmasını çalıştırmadan önce zaman aralığına göre kaydedilen sayımlar hava durumu, etkinlik programları ve sinyal zamanlamasıyla birleştirilebilir.

Nedensel Keşif ve İlgili Terimler#

• Nedensel temsil öğrenmesi: Piksel gibi ham girdilerden nedensel değişkenlerin kendisini ve bu değişkenler arasındaki grafiği öğrenir. Nedensel keşif, önceden ölçülmüş değişkenlerle başlar.
• Açıklanabilir AI (XAI): Bir modelin tahminini hangi girdilerin etkilediğini açıklar; ancak bir girdiyi değiştirmenin gerçek dünyadaki sonucu da değiştireceğini iddia etmez.
• Özellik mühendisliği: Hedefle yalnızca korelasyonu olan değişkenler de dahil olmak üzere, tahmini iyileştiren girdileri seçer ve oluşturur. Nedensel grafik, değiştirildiğinde hedefi etkileyecek değişkenleri belirler.