Causal Representation Learning

Nedensel temsil öğrenimi (CRL), görüntü, video, ses veya sensör okumaları gibi karmaşık gözlemleri, temel sistemin neden-sonuç ilişkilerini nasıl ürettiğini yansıtan üst düzey değişkenlere dönüştürmeyi amaçlayan bir makine öğrenimi yaklaşımıdır. CRL, yalnızca etiketleri tahmin eden özellikleri öğrenmek yerine nesne konumu, aydınlatma, makine durumu veya insan eylemi gibi anlamlı faktörlere karşılık gelen temsiller arar.

Amaç, modellerin yalnızca eğitim sırasında gözlemlenen korelasyonlara dayanmak yerine bir faktör değiştiğinde ne olabileceği hakkında akıl yürütmesini sağlamaktır. Bu yaklaşım, geleneksel gömme yoluyla temsil öğrenimini nedensel çıkarım fikirleriyle birleştirerek yapay zekâ sistemlerinin farklı ortamlarda genelleme yapmasına, müdahaleleri ve karşıolgusal soruları desteklemesine ve karar almasına yardımcı olur.

Nedensel Temsil Öğrenimi Nasıl Çalışır?#

Bir sinir ağı normalde yüksek boyutlu girdiyi dahili bir gizli uzaya eşler. Google'ın makine öğreniminde gömmelere giriş bölümünde açıklandığı gibi, bu kompakt vektörler girdi karmaşıklığını azaltırken yararlı ilişkileri koruyabilir. Ancak sıradan bir gömme, nedensel özellikleri rastlantısal örüntülerle karıştırabilir.

Örneğin bir yaban hayatı sınıflandırıcısı, eğitim kümesindeki kurt görüntülerinin çoğunda karlı arka planlar bulunduğu için karı kurtlarla ilişkilendirebilir. Nedensel bir temsil, hayvan kimliğini arka plan koşullarından ayırarak modelin kurtları ormanlarda veya çayırlarda tanımasını sağlamalıdır.

CRL genellikle birbiriyle bağlantılı üç hedef içerir:

• Anlamlı gizli değişkenleri geri kazanmak: Temsil, yalnızca pratik tahmin kestirmelerini değil, gözlemleri oluşturan temel faktörleri de yakalamalıdır.
• Nedensel yapıyı modellemek: Değişkenler arasındaki ilişkiler, nedensel model çerçevelerinde açıklanan ilkeler izlenerek yönlendirilmiş bir grafik aracılığıyla ifade edilebilir.
• Müdahaleler altında kararlı kalmak: Bir faktörün değiştirilmesi, temsilde uygun ve yerel bir değişiklik oluşturmalıdır. DoWhy müdahale belgeleri, müdahalelerin yalnızca gözlemlenen verilere koşullanmaktan nasıl farklı olduğunu gösterir.

Bir müdahale, robotun hızını değiştirmek gibi bir değişkeni etkin olarak ayarlar. Karşıolgusal ise robot daha yavaş hareket etseydi çarpışmanın meydana gelip gelmeyeceği gibi, farklı bir ayar altında ne olacağını sorar.

İlgili Kavramlar ve Temel Farklar#

CRL, çeşitli makine öğrenimi fikirleriyle kesişse de farklı bir hedefe sahiptir.

• Karşılaştırmalı öğrenme, ilişkili örnekleri birbirine yaklaştırıp ilişkisiz olanları birbirinden uzaklaştırarak temsiller öğrenir. CRL'yi destekleyebilir, ancak tek başına benzerlik nedenselliği kanıtlamaz.
• Kendinden denetimli öğrenme, etiketlenmemiş verilerden eğitim sinyalleri oluşturur. CRL, bu sinyalleri kullanırken müdahaleler, ortamlar, zaman veya nedensel yapı hakkında varsayımlar da ekleyebilir.
• Nedensel çıkarım, genellikle tedavi, yaş ve iyileşme gibi önceden tanımlanmış değişkenler arasındaki etkileri tahmin eder. CRL ise öncelikle ham algısal girdiden yararlı nedensel değişkenleri keşfeder. Bu ayrım, daha kapsamlı nedensel temsil öğrenimine genel bakışın merkezinde yer alır.
• Ayrıştırılmış temsil öğrenimi, bağımsız faktörlere ayrı gizli boyutlar atamaya çalışır. Ayrıştırılmış bir temsil, mutlaka nedensel değildir; çünkü ayrıştırılmış faktörler, etkilerinin yönünü veya müdahaleye verdikleri tepkiyi yine de içermeyebilir.
• Nedensel keşif, değişkenler arasındaki ilişkileri araştırır. CRL ayrıca değişkenlerin kendisini de öğrenir. Aday yapılar, mümkün olan durumlarda DoWhy grafik çürütmesi bölümünde açıklandığı gibi test edilmelidir.

Çoklu görünümlü CRL'de farklı kameralar veya sensörler aynı sistemi farklı perspektiflerden gözlemler. Kısmi gözlemlenebilirlik, her görünümün nedensel faktörlerin yalnızca bir kısmını ortaya çıkarması anlamına gelir. Eşleştirilmemiş çok alanlı ayarlar daha zordur; çünkü farklı ortamlardan gelen gözlemler örnek bazında birbirleriyle eşleşmez.

Gerçek Dünya Uygulamaları#

Otonom robotik: Bir depo robotu; engel konumu, aydınlatma, zemin dokusu ve kendi hareketi hakkında bilgi içeren kamera, derinlik ve hareket verilerini alır. Nedensel bir temsil, direksiyon gibi kontrol edilebilir faktörleri gölgeler gibi çevresel faktörlerden ayırabilir. Alan rastgeleleştirme ile eğitim, sistemi kontrollü değişimlere maruz bırakabilir; nedensel yapı ise hangi değişikliklerin navigasyon kararlarını etkilemesi gerektiğini belirlemeye yardımcı olur.

Üretim denetimi: Bir kusur algılayıcı, üretim hattını, kamera açısını veya malzeme rengini kusurlu ürünlerle yanlışlıkla ilişkilendirebilir. CRL, kusur türünü, makine ayarlarını ve aydınlatmayı ayrı faktörler olarak yalıtmaya yardımcı olabilir. Bu, ekipman veya fabrikalar değiştiğinde kestirme öğrenmeyi azaltır ve proses sıcaklığının veya basıncının bir kusura katkıda bulunup bulunmadığını, kusurla yalnızca birlikte ortaya çıkıp çıkmadığını araştırmayı kolaylaştırır.

Uygulamalı İş Akışı ve Sınırlamalar#

Ultralytics YOLO, geliştiricilerin ayrı bir nedensel öğrenme işlem hattı tasarlamadan önce inceleyebileceği standart görsel gömmeler oluşturabilir:

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)

Bu belgelenmiş Ultralytics YOLO26 iş akışı bir gömme çıkarır, ancak temsili tek başına nedensel hâle getirmez. Nedenselliği ortaya koymak için uygun veriler, varsayımlar, müdahaleler, birden çok ortam veya zamansal kanıt gerekir.

Uygulayıcılar, şüpheli bozucu faktörleri değiştirmeli, performansı alanlar genelinde değerlendirmeli ve veri kümesi yanlılığını denetlemelidir. Ultralytics Platformu, veri kümesi açıklaması, eğitim, dağıtım ve kontrollü veri kümesi sürümlemeyi destekleyebilir. Dağıtımdan sonra sürekli model izleme kritik önem taşır; çünkü kararlı doğrulama doğruluğu nedensel geçerliliği garanti etmez. Değerlendirme ayrıca NIST'in yapay zekâ geçerliliği ve sağlamlığı hakkındaki kılavuzunu izlemeli ve Google'ın veri kümesi yanlılığını belirleme kılavuzunda açıklananlar gibi alt grup kontrollerini içermelidir.