Causal Representation Learning

Học biểu diễn nhân quả (CRL) là một phương pháp machine learning nhằm chuyển đổi các quan sát phức tạp—chẳng hạn như hình ảnh, video, âm thanh hoặc dữ liệu cảm biến—thành các biến cấp cao phản ánh cách hệ thống cơ sở tạo ra mối quan hệ nhân quả. Thay vì học các đặc trưng chỉ đơn thuần dự đoán nhãn, CRL tìm kiếm các biểu diễn tương ứng với các yếu tố có ý nghĩa như vị trí đối tượng, ánh sáng, trạng thái máy móc hoặc hành động của con người.

Mục tiêu là giúp các model suy luận về những gì có thể xảy ra khi một yếu tố thay đổi, thay vì chỉ dựa vào các mối tương quan quan sát được trong quá trình huấn luyện. Điều này kết hợp học biểu diễn thông qua embedding truyền thống với các ý tưởng từ suy luận nhân quả, giúp các hệ thống AI tổng quát hóa qua các môi trường và hỗ trợ các can thiệp, câu hỏi phản thực tế và việc ra quyết định.

Cách Hoạt động của Học Biểu diễn Nhân quả#

Một mạng neural thường ánh xạ đầu vào số chiều cao thành một latent space nội bộ. Như được giải thích trong hướng dẫn về embedding trong machine learning của Google, các vector gọn nhẹ này có thể duy trì các mối quan hệ hữu ích đồng thời giảm độ phức tạp của đầu vào. Tuy nhiên, một embedding thông thường có thể trộn lẫn các thuộc tính nhân quả với các mẫu tình cờ.

Ví dụ, một bộ phân loại động vật hoang dã có thể liên kết tuyết với loài sói vì hầu hết các hình ảnh chó sói trong tập huấn luyện của nó có nền tuyết. Biểu diễn nhân quả nên tách biệt danh tính của động vật khỏi các điều kiện nền, cho phép model nhận diện chó sói trong rừng hoặc đồng cỏ.

CRL thường bao gồm ba mục tiêu có liên quan:

• Khôi phục các biến tiềm ẩn có ý nghĩa: Biểu diễn cần nắm bắt các yếu tố cơ sở tạo ra các quan sát, không chỉ là các lối tắt dự đoán thuận tiện.
• Mô hình hóa cấu trúc nhân quả: Các mối quan hệ giữa các biến có thể được biểu thị thông qua một đồ thị có hướng, tuân theo các nguyên tắc được mô tả trong các framework model nhân quả.
• Duy trì tính ổn định dưới các can thiệp: Việc thay đổi một yếu tố phải tạo ra một thay đổi cục bộ, phù hợp trong biểu diễn. Tài liệu can thiệp DoWhy minh họa cách các can thiệp khác với việc chỉ điều kiện hóa trên dữ liệu đã quan sát.

Một can thiệp chủ động thiết lập một biến, chẳng hạn như thay đổi tốc độ của robot. Ngược lại, một câu hỏi phản thực tế hỏi điều gì sẽ xảy ra dưới một thiết lập khác, chẳng hạn như liệu một vụ va chạm có xảy ra nếu robot di chuyển chậm hơn.

Các Khái Niệm Liên Quan và Khác Biệt Chính#

CRL chồng chéo với một số ý tưởng machine learning nhưng có một mục tiêu riêng biệt.

• Contrastive learning học các biểu diễn bằng cách đưa các ví dụ có liên quan đến gần nhau hơn và tách biệt các ví dụ không liên quan. Nó có thể hỗ trợ CRL, nhưng sự tương đồng đơn thuần không thiết lập được tính nhân quả.
• Self-supervised learning tạo ra các tín hiệu huấn luyện từ dữ liệu chưa được gán nhãn. CRL có thể sử dụng các tín hiệu này đồng thời bổ sung các giả định về can thiệp, môi trường, thời gian hoặc cấu trúc nhân quả.
• Causal inference usually estimates effects among already defined variables, such as treatment, age, and recovery. CRL first discovers useful causal variables from raw perceptual input. This distinction is central to the broader causal representation learning overview.
• Học biểu diễn phân tách cố gắng gán các chiều tiềm ẩn riêng biệt cho các yếu tố độc lập. Biểu diễn phân tách không nhất thiết mang tính nhân quả vì các yếu tố được tách rời có thể vẫn bỏ sót hướng ảnh hưởng hoặc phản ứng đối với can thiệp của chúng.
• Khám phá nhân quả tìm kiếm các mối quan hệ giữa các biến. CRL đồng thời học hỏi chính các biến đó. Các cấu trúc ứng viên cần được kiểm tra khi có thể, như được mô tả trong phần bác bỏ đồ thị DoWhy.

Trong CRL đa góc nhìn (multi-view), các camera hoặc cảm biến khác nhau quan sát cùng một hệ thống từ các góc độ khác nhau. Khả năng quan sát một phần có nghĩa là mỗi góc nhìn chỉ tiết lộ một số yếu tố nhân quả. Các thiết lập đa miền chưa ghép nối (unpaired multi-domain) khó khăn hơn vì các quan sát từ các môi trường khác nhau không tương ứng theo từng trường hợp.

Các ứng dụng trong thực tế#

Robot tự động hóa: Một robot trong kho nhận dữ liệu camera, chiều sâu và chuyển động chứa thông tin về vị trí vật cản, ánh sáng, kết cấu sàn và chuyển động của chính nó. Biểu diễn nhân quả có thể tách biệt các yếu tố có thể kiểm soát, chẳng hạn như điều khiển hướng, khỏi các yếu tố môi trường, chẳng hạn như bóng đổ. Huấn luyện với domain randomization có thể cho hệ thống tiếp xúc với sự biến đổi có kiểm soát, trong khi cấu trúc nhân quả giúp xác định những thay đổi nào nên ảnh hưởng đến các quyết định điều hướng.

Kiểm tra sản xuất: Bộ phát hiện lỗi có thể liên kết nhầm dây chuyền sản xuất, góc camera hoặc màu sắc vật liệu với các sản phẩm bị lỗi. CRL có thể giúp cô lập loại lỗi, cài đặt máy móc và ánh sáng thành các yếu tố riêng biệt. Điều này làm giảm việc học lối tắt khi thiết bị hoặc nhà máy thay đổi, đồng thời giúp điều tra dễ dàng hơn xem nhiệt độ hay áp suất quy trình có góp phần gây ra lỗi hay chỉ đơn thuần xuất hiện song song với lỗi đó.

Quy trình Thực tế và Các Hạn chế#

Ultralytics YOLO có thể tạo ra các embedding trực quan tiêu chuẩn mà các nhà phát triển có thể kiểm tra trước khi thiết kế một pipeline học nhân quả riêng biệt:

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)

Quy trình Ultralytics YOLO26 được tài liệu hóa này trích xuất một embedding, nhưng bản thân nó không làm cho biểu diễn mang tính nhân quả. Việc thiết lập tính nhân quả đòi hỏi dữ liệu phù hợp, các giả định, can thiệp, nhiều môi trường hoặc bằng chứng theo thời gian.

Các kỹ sư nên thay đổi các yếu tố gây nhiễu bị nghi ngờ, đánh giá hiệu suất trên các miền và kiểm toán độ lệch tập dữ liệu. Ultralytics Platform có thể hỗ trợ gán nhãn tập dữ liệu, huấn luyện, triển khai và quản lý phiên bản tập dữ liệu có kiểm soát. Sau khi triển khai, giám sát model liên tục là điều cốt lõi vì độ chính xác xác thực ổn định không đảm bảo tính hợp lệ nhân quả. Việc đánh giá cũng nên tuân theo hướng dẫn của NIST về tính hợp lệ và độ bền vững của AI rộng hơn và bao gồm các bước kiểm tra nhóm phụ chẳng hạn như những gì được nêu trong hướng dẫn nhận diện độ lệch tập dữ liệu của Google.