Causal Discovery

Khám phá nhân quả là quá trình học các mối quan hệ nguyên nhân - kết quả có thể có từ dữ liệu, thường được biểu diễn dưới dạng đồ thị có hướng. Không giống như machine learning thông thường, vốn chủ yếu dự đoán kết quả từ các mẫu, khám phá nhân quả đặt câu hỏi biến nào có thể ảnh hưởng trực tiếp đến các biến khác. Ví dụ, phương pháp này có thể điều tra xem mưa có làm tăng tình trạng tắc nghẽn giao thông hay không, tình trạng tắc nghẽn có làm thay đổi thời gian tín hiệu hay không, hay cả hai đều bị ảnh hưởng bởi một yếu tố thứ ba.

Kết quả là một giả thuyết về cấu trúc nhân quả, không phải là bằng chứng tự động. Độ tin cậy của cấu trúc này phụ thuộc vào chất lượng dữ liệu, kiến thức miền, các giả định thống kê và việc xác thực thông qua các thí nghiệm hoặc môi trường mới.

Cách thức hoạt động của khám phá nhân quả#

Một hệ thống khám phá nhân quả coi các biến được đo lường là các nút và các mối quan hệ nhân quả có thể có của chúng là các cạnh. Trong một cạnh có hướng như X → Y, X là một nguyên nhân trực tiếp tiềm năng của Y so với các biến khác được bao gồm trong phân tích. Các mối quan hệ này thường được biểu diễn bằng một Bayesian network hoặc đồ thị có hướng không có chu trình (DAG), nghĩa là các mũi tên không thể tạo thành một vòng lặp có hướng.

Các thuật toán thường học cấu trúc theo một trong ba cách:

• Khám phá dựa trên ràng buộc kiểm tra xem các biến có trở nên độc lập về mặt thống kê hay không sau khi điều kiện hóa trên các biến khác. PyWhy constraint-based discovery documentation giải thích cách các mẫu độc lập này có thể hạn chế các cấu trúc đồ thị có thể xảy ra.
• Khám phá dựa trên điểm số so sánh các đồ thị ứng viên bằng cách sử dụng điểm số cân bằng giữa độ khớp và độ phức tạp.
• Khám phá dựa trên mô hình hàm giả định rằng các biến được tạo ra thông qua các mối quan hệ toán học cụ thể và các mẫu nhiễu. Trong bối cảnh phi Gaussian tuyến tính không có chu trình, sự bất đối xứng trong dữ liệu có thể giúp xác định hướng cạnh.

causal-learn documentation cung cấp các triển khai trải dài trên các danh mục này. Tuy nhiên, dữ liệu quan sát thường hỗ trợ một số đồ thị tương đương thay vì một DAG có hướng duy nhất.

Các khái niệm chính và thuật ngữ liên quan#

Khám phá nhân quả phải được phân biệt với một số ý tưởng có liên quan:

• Tương quan đo lường mối liên hệ thống kê. Hai biến có thể di chuyển cùng nhau vì biến này gây ra biến kia, tính nhân quả chạy theo hướng ngược lại, hoặc một biến thứ ba ảnh hưởng đến cả hai. guidance on correlation and causation của Google nhấn mạnh lý do tại sao chỉ riêng mối liên hệ dự đoán là chưa đủ.
• Suy luận nhân quả ước tính hiệu ứng của một can thiệp được xác định, chẳng hạn như thay đổi cài đặt máy. Khám phá đề xuất đồ thị; suy luận sử dụng đồ thị giả định để trả lời một câu hỏi hiệu ứng cụ thể. DoWhy causal modeling guide cho thấy cách các đồ thị làm cho các giả định này trở nên rõ ràng.
• Causal representation learning tìm kiếm các biến ẩn có ý nghĩa từ các đầu vào phức tạp chẳng hạn như hình ảnh. Khám phá nhân quả thường nghiên cứu các mối quan hệ giữa các biến đã được xác định trước.
• Explainable AI mô tả lý do tại sao một model đưa ra dự đoán. Tầm quan trọng của đặc trưng có thể giải thích một dự đoán mà không cần cho thấy việc thay đổi đặc trưng đó sẽ thay đổi kết quả trong thế giới thực.

Các khái niệm đồ thị quan trọng bao gồm các yếu tố gây nhiễu, ảnh hưởng đến cả nguyên nhân và kết quả được đề xuất; các chất trung gian, truyền tải một hiệu ứng; và các chất va chạm, bị ảnh hưởng bởi hai biến khác. UCLA introduction to causal DAGs giải thích lý do tại sao việc điều kiện hóa trên sai biến có thể tạo ra thay vì loại bỏ sai lệch.

Các ứng dụng AI và Computer Vision trong thực tế#

• Kiểm định sản xuất: Một hệ thống computer vision có thể ghi lại số lượng lỗi, tốc độ băng tải, loại vật liệu, nhiệt độ và các sự kiện bảo trì. Khám phá nhân quả có thể gợi ý xem tốc độ cao hơn có đóng góp trực tiếp vào lỗi hay không hoặc cả hai có phải là hậu quả của việc tăng nhu cầu sản xuất hay không. Sự khác biệt này rất quan trọng trước khi làm chậm dây chuyền hoặc thay đổi lịch bảo trì.

• Quản lý giao thông: Object detection và object tracking có thể tạo ra số lượng phương tiện, chiều dài hàng đợi và quỹ đạo chuyển động. Kết hợp với thời tiết, sự cố và cài đặt tín hiệu, khám phá nhân quả có thể giúp phân biệt xem thời gian tín hiệu tạo ra hàng đợi dài hay được điều chỉnh để phản ứng lại tình trạng tắc nghẽn hiện có. Tính định hướng này là thiết yếu khi lựa chọn một chính sách can thiệp.

Các đồ thị này có thể hướng dẫn phân tích giả định sau đó, bao gồm các mô phỏng được mô tả trong DoWhy intervention documentation.

Xây dựng biến từ dữ liệu thị giác#

Đầu ra của Ultralytics YOLO có thể cung cấp các biến được quan sát cho một tập dữ liệu nhân quả lớn hơn. Ví dụ này sử dụng YOLO26 và Predict mode để trích xuất số lượng từ một hình ảnh:

from ultralytics import YOLO

# Run object detection
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# Convert detections into measurable variables
result = results[0]
detected_objects = [result.names[int(class_id)] for class_id in result.boxes.cls]

person_count = detected_objects.count("person")
total_objects = len(detected_objects)

print({"person_count": person_count, "total_objects": total_objects})

Việc chạy quy trình này trên nhiều dấu thời gian, camera hoặc điều kiện vận hành tạo ra các quan sát có thể được kết hợp với các biến ngữ cảnh. data annotation chất lượng cao và đo lường nhất quán là rất quan trọng vì lỗi phát hiện có thể tạo ra các phần phụ thuộc giả. Ultralytics Platform có thể hỗ trợ chú thích tập dữ liệu trên đám mây, huấn luyện model, triển khai và giám sát trong đường ống rộng lớn hơn này.

Hạn chế và hướng dẫn thực tế#

Khám phá nhân quả không thể khôi phục đáng tin cậy các biến chưa bao giờ được đo lường. Các yếu tố gây nhiễu ẩn, dataset bias, hiệu ứng lựa chọn, mẫu nhỏ và lỗi đo lường đều có thể tạo ra các cạnh gây hiểu lầm.

Trước khi hành động dựa trên một đồ thị được khám phá:

1. Thêm các ràng buộc về thời gian và vật lý đã biết.
2. Kiểm tra xem các cạnh có ổn định trên các trang web, khoảng thời gian và tập con dữ liệu hay không.
3. So sánh đồ thị với kiến thức chuyên gia.
4. Định lượng độ bất định thay vì coi mọi cạnh là chắc chắn.
5. Xác thực các mối quan hệ quan trọng thông qua các biện pháp can thiệp có kiểm soát khi khả thi.

Cuối cùng, sử dụng ước tính hiệu ứng nhân quả - chứ không chỉ khám phá đồ thị - để đo lường quy mô can thiệp. EconML treatment-effect documentation minh họa giai đoạn ước tính riêng biệt này. Khám phá nhân quả có giá trị nhất như một cách có cấu trúc để tạo ra, thách thức và tinh chỉnh các giả thuyết nhân quả trước khi đưa ra quyết định trong thế giới thực.