Causal Representation Learning

Học biểu diễn nhân quả (CRL) là một phương pháp học máy 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 nền tảng tạo ra các 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 những yếu tố có ý nghĩa như vị trí của vật thể, điều kiện chiếu sáng, trạng thái máy hoặc hành động của con người.

Mục tiêu là giúp 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 được quan sát trong quá trình huấn luyện. Phương pháp 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 trên nhiều môi trường, đồng thời hỗ trợ can thiệp, trả lời câu hỏi phản thực tế và ra quyết định.

Cách hoạt động của học biểu diễn nhân quả#

Một mạng neural thường ánh xạ đầu vào có số chiều cao vào một không gian latent bên trong. Như được giải thích trong phần giới thiệu về embedding trong học máy của Google, các vector nhỏ gọn này có thể bảo toàn những 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 những mẫu ngẫu nhiên.

Ví dụ, một classifier nhận dạng động vật hoang dã có thể liên kết tuyết với sói vì phần lớn hình ảnh sói trong tập huấn luyện có phông nền đầy tuyết. Biểu diễn nhân quả cần tách biệt danh tính động vật khỏi điều kiện phông nền, cho phép model nhận dạng sói trong rừng hoặc đồng cỏ.

CRL thường bao gồm ba mục tiêu liên kết với nhau:

• Khôi phục các biến latent có ý nghĩa: Biểu diễn cần nắm bắt những yếu tố nền tảng tạo ra các quan sát, thay vì chỉ học các lối tắt dự đoán thuận tiện.
• Mô hình hóa cấu trúc nhân quả: Mối quan hệ giữa các biến có thể được biểu diễn bằng một đồ thị có hướng, tuân theo các nguyên tắc được mô tả trong các framework mô hình nhân quả.
• Duy trì tính ổn định khi can thiệp: Việc thay đổi một yếu tố cần tạo ra thay đổi phù hợp và cục bộ trong biểu diễn. Tài liệu về can thiệp của DoWhy minh họa sự khác biệt giữa can thiệp và chỉ điều kiện hóa trên dữ liệu quan sát được.

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 đặt ra điều gì sẽ xảy ra trong một thiết lập khác, chẳng hạn liệu va chạm có xảy ra hay không nếu robot di chuyển chậm hơn.

Các khái niệm liên quan và điểm khác biệt chính#

CRL có điểm giao với một số ý tưởng trong học máy nhưng có mục tiêu riêng biệt.

• Học tương phản học các biểu diễn bằng cách đưa các ví dụ liên quan lại gần nhau và tách các ví dụ không liên quan. Phương pháp này có thể hỗ trợ CRL, nhưng chỉ riêng độ tương đồng không thể xác lập quan hệ nhân quả.
• Học tự giám sát tạo ra tín hiệu huấn luyện từ dữ liệu chưa 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.
• Suy luận nhân quả thường ước lượng tác động giữa các biến đã được xác định, chẳng hạn như phương pháp điều trị, tuổi và khả năng phục hồi. CRL trước tiên phát hiện các biến nhân quả hữu ích từ đầu vào cảm nhận thô. Sự khác biệt này là trọng tâm của tổng quan về học biểu diễn nhân quả rộng hơn.
• Học biểu diễn phân tách cố gắng gán các chiều latent riêng biệt cho những yếu tố độc lập. Một biểu diễn phân tách không nhất thiết mang tính nhân quả, vì các yếu tố đã được tách vẫn có thể bỏ qua hướng tác động hoặc phản ứng của chúng trước can thiệp.
• Khám phá nhân quả tìm kiếm các mối quan hệ giữa các biến. CRL còn học chính các biến đó. Khi có thể, cần kiểm thử các cấu trúc giả định như được mô tả trong phản biện đồ thị của DoWhy.

Trong CRL đa góc nhìn, các camera hoặc cảm biến khác nhau quan sát cùng một hệ thống từ những 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 không ghép cặp khó hơn vì các quan sát từ những môi trường khác nhau không tương ứng với nhau theo từng instance.

Các ứng dụng trong thực tế#

Robotics tự hành: Một robot kho hàng nhận dữ liệu từ camera, độ sâu và chuyển động, trong đó chứa thông tin về vị trí chướng ngại vật, điều kiện chiếu sáng, kết cấu sàn và chuyển động của chính nó. Biểu diễn nhân quả có thể tách các yếu tố có thể điều khiển, chẳng hạn như đánh lái, khỏi các yếu tố môi trường, chẳng hạn như bóng đổ. Việc huấn luyện với domain randomization có thể đưa hệ thống tiếp xúc với các biến thiên có kiểm soát, trong khi cấu trúc nhân quả giúp xác định những thay đổi nào cần tác động đến các quyết định điều hướng.

Kiểm tra trong sản xuất: Một bộ phát hiện lỗi có thể liên kết sai dây chuyền sản xuất, góc camera hoặc màu vật liệu với các sản phẩm bị lỗi. CRL có thể giúp tách riêng loại lỗi, cài đặt máy và điều kiện chiếu sáng thành các yếu tố khác nhau. Điều này làm giảm hiện tượng học lối tắt khi thiết bị hoặc nhà máy thay đổi, đồng thời giúp dễ dàng điều tra xem nhiệt độ hay áp suất trong quy trình có góp phần gây ra lỗi hay chỉ đơn thuần xuất hiện cùng với lỗi.

Quy trình thực tiễn và các hạn chế#

Ultralytics YOLO có thể tạo các embedding hình ảnh tiêu chuẩn để developer kiểm tra trước khi thiết kế một pipeline học nhân quả riêng:

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 ghi lại này trích xuất một embedding, nhưng bản thân nó không biến biểu diễn thành biểu diễn nhân quả. Việc xác lập quan hệ nhân quả đòi hỏi dữ liệu, giả định, can thiệp, nhiều môi trường hoặc bằng chứng theo thời gian phù hợp.

Practitioner nên thay đổi các yếu tố gây nhiễu bị nghi ngờ, đánh giá hiệu năng trên nhiều domain và kiểm tra độ thiên lệch của dataset. Ultralytics Platform có thể hỗ trợ gán nhãn dataset, huấn luyện, triển khai và quản lý phiên bản dataset có kiểm soát. Sau khi triển khai, việc giám sát model liên tục là thiết yếu vì độ chính xác validation ổn định không đảm bảo tính đúng đắn về mặt nhân quả. Hoạt động đánh giá cũng cần tuân theo hướng dẫn của NIST về tính hợp lệ và độ robust của AI ở phạm vi rộng hơn, đồng thời bao gồm các kiểm tra theo nhóm nhỏ như được nêu trong hướng dẫn xác định độ thiên lệch của dataset của Google.