📊 statistics

Efficient Causal Graph Discovery Using Large Language Models

تقترح هذه الورقة إطار عمل جديداً وفعالاً يستفيد من النماذج اللغوية الكبيرة مع نهج البحث بالعرض لاكتشاف رسوم بيانية سببية كاملة باستخدام عدد خطي فقط من الاستعلامات، مما يتغلب على قيود الاستعلام التربيعية للطرق الثنائية السابقة مع تحقيق أداء يضاهي أحدث ما توصل إليه العلم في مجموعات البيانات الواقعية.

المؤلفون الأصليون: Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

نُشر 2026-04-06

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تحاول حل لغز ضخم: من تسبب في ماذا؟

في عالم علم البيانات، يُسمى هذا الاكتشاف السببي (Causal Discovery). لديك قائمة من المتغيرات (مثل "التدخين"، "سرطان الرئة"، "التلوث"، أو "السعال")، وعليك رسم خريطة توضح بالضبط أي منها يؤدي إلى الآخر. تُسمى هذه الخريطة الرسم البياني السببي (Causal Graph).

تقليديًا، لرسم هذه الخريطة، كان على العلماء معالجة ملايين الأرقام من البيانات الرصدية (مثل السجلات الطبية) باستخدام رياضيات معقدة. كان الأمر بطيئًا، ومكلفًا، وغالبًا ما يتطلب كميات هائلة من البيانات.

مؤخرًا، جرب الباحثون استخدام النماذج اللغوية الكبيرة (LLMs) — وهي نفس عقول الذكاء الاصطناعي التي تقف وراء برامج الدردشة الآلية — للقيام بذلك. سألوا الذكاء الاصطناعي: "هل التدخين يسبب سرطان الرئة؟" و"هل التلوث يسبب السعال؟" لكل زوج من المتغيرات على حدة.

إليك المشكلة في هذا النهج القديم:
إذا كان لديك 10 متغيرات، فعليك السؤال عن 45 زوجًا. وإذا كان لديك 100 متغير، فعليك السؤال عن 4,950 زوجًا! وإذا كان لديك 200 متغير (كما في دراسة طبية حقيقية)، فستحتاج إلى طرح 20,000 سؤال. هذا يشبه محاولة رسم خريطة لمدينة كاملة عبر سؤال سائح عن كل تقاطع شارع واحد تلو الآخر. الأمر يستغرق وقتًا طويلاً ويكلف ثروة.

الحل الجديد: المحقق الذي يستخدم "البحث بالعرض أولاً"

ابتكر مؤلفو هذه الورقة البحثية، توماس جيراليرسبونج وفريقه، طريقة أذكى بكثير لاستخدام الذكاء الاصطناعي. بدلًا من السؤال عن كل زوج ممكن، يعاملون الذكاء الاصطناعي كمحقق يستكشف مدينة باستخدام البحث بالعرض أولًا (Breadth-First Search - BFS).

إليك كيف يعمل منهجهم، باستخدام تشبيه بسيط:

1. الإعداد: إيجاد "الجذور"

تخيل أنك تستكشف غابة. أنت بحاجة لمعرفة من أين تبدأ الأشجار.

مهمة الذكاء الاصطناعي: يسأل الباحثون أولاً الذكاء الاصطناعي: "أي من هذه المتغيرات هي 'الجذور'؟ أي منها لا يسببه شيء آخر؟"
النتيجة: يحدد الذكاء الاصطناعي نقاط البداية (على سبيل المثال، قد يكون "التدخين" و"الوراثة" جذورًا لأن لا شيء في القائمة يسببهما). توضع هذه النقاط في "قائمة مهام" (طابور انتظار).

2. التوسع: "بمن تؤثر؟"

الآن، يختار المحقق أول عنصر من "قائمة المهام" (لنفترض أنه "التدخين").

مهمة الذكاء الاصطناعي: بدلًا من السؤال "هل يسبب التدخين X؟"، "هل يسبب التدخين Y؟"، "هل يسبب التدخين Z؟" بشكل منفصل، يُسأل الذكاء الاصطناعي سؤالًا واحدًا فقط: "بناءً على وجودنا عند 'التدخين'، اذكر جميع المتغيرات التي يسببها التدخين بشكل مباشر."
السحر: قد يقول الذكاء الاصطناعي: "التدخين يسبب التهاب الشعب الهوائية وسرطان الرئة."
النتيجة: في سؤال واحد فقط، وجد المحقق اتصالين!

3. فحص السلامة: لا يُسمح بالدوائر

يجب أن تكون الرسوم البيانية السببية رسومًا بيانية موجهة وغير حلقية (Directed Acyclic Graphs - DAGs). بعبارة أخرى: لا يُسمح بالسفر عبر الزمن. لا يمكنك أن تجعل الموقف يكون فيه (أ) يسبب (ب)، و(ب) يسبب (أ) (لأن ذلك سيخلق مفارقة).

قبل إضافة أي اتصال جديد إلى الخريطة، يتحقق النظام: "إذا رسمنا خطًا من التدخين إلى سرطان الرئة، هل سيخلق ذلك حلقة غريبة؟" إذا كان الأمر كذلك، يتم استبعاد الخط. وإذا لم يكن كذلك، يتم إضافته إلى الخريطة.

4. التكرار حتى الانتهاء

تُضاف المتغيرات المكتشفة حديثًا (التهاب الشعب الهوائية، سرطان الرئة) إلى "قائمة المهام". يختار المحقق العنصر التالي، ويسأل "بمن تسبب؟"، ويكرر العملية حتى تتم زيارة كل متغير.

لماذا يعد هذا أمرًا بالغ الأهمية؟

1. إنه سريع كالبرق (خطي مقابل تربيعي)

الطريقة القديمة: إذا كان لديك $N$ من المتغيرات، فستحتاج إلى طرح حوالي $N \times N$ من الأسئلة. (إذا ضاعفت عدد المتغيرات، فستحتاج إلى أربعة أضعاف الأسئلة).
الطالطريقة الجديدة: تحتاج فقط إلى طرح $N$ من الأسئلة (سؤال واحد لكل متغير). (إذا ضاعفت عدد المتغيرات، فستحتاج فقط إلى ضعف عدد الأسئلة).
التشبيه: الطريقة القديمة تشبه فحص كل باب في مبنى لمعرفة ما إذا كان مغلقًا أم لا. الطريقة الجديدة تشبه السير في الممر وسؤال الشخص الموجود في كل غرفة: "من غيرك موجود في هذا المبنى؟"

2. لا يحتاج إلى أرقام (غالباً)
يستخدم الذكاء الاصطناعي "منطقه السليم" وبياناته التدريبية (مثل معرفة أن التدخين ضار بالرئتين) لاستنتاج ذلك. هو لا يحتاج إلى جدول بيانات يحتوي على 10,000 سجل مريض. يحتاج فقط إلى أسماء وأوصاف المتغيرات.

ملاحظة: إذا كنت تملك بيانات بالفعل (مثل أرقام الارتباط)، يمكنك تغذية الذكاء الاصطناعي بها لجعله أكثر ذكاءً، لكن هذا ليس ضروريًا تمامًا.

3. يعمل على المشكلات الضخمة
اختبر الباحثون هذا النهج على ثلاث خرائط:

آسيا (Asia): خريطة صغيرة (8 متغيرات). لقد تفوق عليها الذكاء الاصطناعي تمامًا.
الطفل (Child): خريطة متوسطة (20 متغيرًا). أدى الذكاء الاصطناعي عملًا رائعًا.
الألم العصبي (Neuropathic Pain): خريطة ضخمة تحتوي على 221 متغيرًا و770 اتصالًا.
- طريقة "الزوج تلو الآخر" القديمة كانت ستتطلب 24,310 سؤالًا. كان من المستحيل تشغيلها.
- الطريقة الجديدة احتاجت فقط إلى 221 سؤالًا. لقد نجحت في رسم العلاقات المعقدة بين الأعصاب والأعراض، متفوقة على جميع الطرق الرياضية التقليدية.

الخلاصة

تقدم هذه الورقة البحثية طريقة لاستخدام الذكاء الاصطناي لرسم خرائط "السبب والنتيجة" بشكل أسرع وأرخص من ذي قبل. بدلًا من طرح ملايين الأسئلة الصغيرة على الذكاء الاصطناعي، يطلبون منه استكشاف الخريطة خطوة بخطوة، مثل محقق يتجول في مدينة، ويكتشف الروابط أثناء تقدمه.

إنه تحول من القوة الغاشمة (فحص كل شيء) إلى الاستكشاف الذكي (تتبع الأثر)، مما يجعل من الممكن حل الألغاز السببية المعقدة في مجالات مثل الطب والاقتصاد وعلوم المناخ التي كانت في السابق أكبر من أن تُعالج.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "اكتشاف الرسوم البيانية السببية بكفاءة باستخدام النماذج اللغوية الكبيرة".

1. بيان المشكلة

يهدف اكتكتشاف الرسم البياني السببي (Causal Graph Discovery) إلى تحديد العلاقات السببية بين المتغيرات، والتي تُمثل عادةً في شكل رسم بياني موجه غير حلقي (DAG). تعتمد الطرق التقليدية على البيانات الملحوظة الرقمية والتحسين الإحصائي (مثل خوارزميات PC، وNOTEARS، وGES)، وهي عمليات قد تكون مكلفة حاسوبياً وتتطلب مجموعات بيانات ضخمة.

استخدمت الأساليب الحديثة النماذج اللغوية الكبيرة (LLMs) لاستنتاج العلاقات السببية باستخدام البيانات الوصفية فقط (أسماء المتغيرات وأوصافها) بدلاً من البيانات الخام. ومع ذلك، تعاني الأساليب الحالية القائمة على النماذج اللغوية الكبيرة من عقبة حرجة في القدرة على التوسع:

نهج الاستعلام الثنائي (Pairwise Query Approach): تقوم الأعمال السابقة بالاستعلام من النموذج اللغوي الكبير لكل زوج ممكن من المتغيرات لتحديد ما إذا كان $A \to B$ ، أو $B \to A$ ، أو عدم وجود علاقة.
التعقيد: يتطلب هذا الأمر $O(n^2)$ من الاستعلامات لـ $n$ من المتغيرات. بالنسبة للرسوم البيانية الكبيرة (على سبيل المثال، مئات العقد)، يصبح هذا الأمر غير عملي ومكلفاً للغاية من حيث تكاليف واجهة برمجة التطبيقات (API) والوقت.

تعالج هذه الورقة الحاجة إلى طريقة فعالة في استهلاك البيانات وقابلة للتوسع لاكتشاف الرسوم البيانية السببية الكاملة باستخدام النماذج اللغوية الكبيرة دون الاعتماد على المقارنات الثنائية الشاملة.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يستفيد من خوارزمية البحث بالعرض أولاً (BFS) لبناء الرسم البياني السببي، مما يقلل تعقيد الاستعلام من التربيعي إلى الخطي.

الخوارزمية الأساسية: بناء الرسم البياني القائم على BFS

بدلاً من الاستعلام عن جميع الأزواج، تقوم الطريقة بتوسيع الرسم البياني بشكل تكراري عبر الاستعلام من النموذج اللغوي الكبير حول آثار عقدة معينة. تتكون العملية من ثلاث مراحل:

مرحلة التهيئة (Initialization Stage):
- يتم تقديم وصف لجميع المتغيرات إلى النموذج اللغوي لتحديد العقد الجذرية (root nodes) (المتغيرات التي لا تسببها أي متغيرات أخرى).
- تُضاف هذه العقد الجذرية إلى طابور (queue) البحث بالعرض أولاً (BFS).
- مثال على التلقين (Prompt): "حدد المتغير (أو المتغيرات) التي لا تتأثر بأي متغيرات أخرى."
مرحلة التوسيع (Expansion Stage):
- تقوم الخوارزمية بإخراج عقدة من الطابور (العقدة الحالية) وتلقين النموذج اللغيدي لتحديد جميع المتغيرات الناتجة عن هذه العقدة الحالية.
- يتضمن التلقين هيكل الرسم البياني الحالي (الحواف المكتشفة بالفعل) للحفاظ على السياق.
- مثال على التلقين: "اختر المتغيرات التي تسببها [العقدة الحالية]."
مرحلة الإدراج والتحقق من الحلقة (Insertion & Cycle Check Stage):
- لكل حافة يتنبأ بها النموذج اللغيدي، يقوم النظام بإجراء تحقق من الحلقة (cycle check) (باستخدام البحث بالعمق - DFS) قبل إضافة الحافة إلى الرسم البياني.
- إذا أدت إضافة حافة إلى إنشاء حلقة، يتم تجاهلها لفرض قيد الرسم البياني الموجه غير الحلقي (DAG constraint) بصرامة.
- تُضاف العقد المتصلة حديثاً إلى طابور BFS إذا لم يتم زيارتها بعد.

تتكرر هذه العملية حتى يصبح الطابور فارغاً. إجمالي تعقيد الاستعلام هو $O(n)$ ، حيث يتم زيارة كل عقدة وتوسيعها مرة واحدة بالضبط.

دمج البيانات الملحوظة

يتميز إطار العمل بالمرونة ويمكنه دمج البيانات الملحوظة عند توفرها لتعزيز الأداء.

الآلية: يتم إلحاق معاملات ارتباط بيرسون (Pearson correlation coefficients) بين العقدة الحالية والمتغيرات الأخرى بالتلقين الخاص بمرحلة التوسيع.
الفرضية: بينما لا يعني الارتباط السببية، فإن توفير السياق الإحصائي يساعد النموذج اللغيدي على حل حالات الغموض عندما تكون معرفته الداخلية غير كافية.

3. المساهمات الرئيسية

تعقيد استعلام خطي: المساهمة الرئيسية هي التحول من الاستعلامات الثنائية $O(n^2)$ إلى نهج $O(n)$ القائم على BFS، مما يجعل اكتشاف الرسوم البيانية الكاملة ممكناً للمشكلات واسعة النطاق (مثل 200+ عقدة).
فرض قيد DAG: تتضمن الطريقة صراحةً آلية للتحقق من الحلقات أثناء مرحلة الإدراج، مما يضمن أن المخرجات هي رسم بياني موجه غير حلقي صالح، وهو أمر شائع الفشل في مهام التوليد الخاصة بالنماذج اللغوية الكبيرة.
كفاءة البيانات: تعمل الطريقة بفعالية دون أي بيانات ملحوظة، معتمدة فقط على قاعدة المعرفة الداخلية للنموذج اللغيدي (البيانات الوصفية). كما توضح كيفية دمج البيانات الإحصائية بسلاسة عند توفرها.
القابلية للتوسع: هذه هي أول طريقة قائمة على النماذج اللغوية الكبيرة يتم إثبات قدرتها على التعامل مع الرسوم البيانية السببية الكبيرة (221 عقدة) حيث تفشل الطرق الثنائية السابقة بسبب حدود الاستعلامات.

4. النتائج التجريبية

تم تقييم الطريقة على ثلاث مجموعات بيانات متفاوتة الأحجام:

Asia: رسم بياني صغير (8 عقد، 8 حواف).
Child: رسم بياني متوسط (20 عقدة، 25 حافة).
Neuropathic Pain: رسم بياني كبير (221 عقدة، 770 حافة).

مقاييس الأداء: الدقة (Accuracy)، مقياس F (F-Score)، ونسبة مسافة هامينج المعيرة (NHD Ratio).

النتائج الرئيسية:

الرسوم البيانية الصغيرة (Asia): حققت الطريقة المقترحة نتائج الأفضل في فئتها (SOTA) (F-Score: 0.93) دون أي بيانات ملحوظة، متفوقة على الطرق الإحصائية (GES، PC، NOTEARS) وعلى النموذج الثنائي للنماذج اللغوية الكبيرة. ومن المثير للاهتمام أن إضافة بيانات الارتباط لم تحسن الأداء هنا، مما يشير إلى أن معرفة النموذج اللغيدي الداخلية كانت كافية.
الرسوم البيانية المتوسطة (Child): حققت الطريقة مع 10,000 عينة من البيانات الملحوظة أفضل أداء (F-Score: 0.63). ومن الجدير بالذكر أن الطريقة بدون بيانات لا تزال تقدم أداءً تنافسياً، حيث طابقت أفضل أساس إحصائي (GES) مع استخدام صفر من البيانات الملحوظة.
الرسوم البيانية الكبيرة (Neuropathic Pain):
- كانت الطرق الثنائية وGES غير قابلة للتطبيق (تطلبت حوالي 24,310 استعلاماً أو حافة للتحقق).
- نفدت الذاكرة من الطرق الإحصائية (PC).
- كانت الطريقة المقترحة هي الوحيدة القادرة على العمل بهذا النطاق، محققة F-Score معقولاً (0.35) ونسبة NHD قدرها (0.64)، متفوقة بشكل كبير على النموذج المرجعي "الأسوأ حالاً".

5. الأهمية والآثار المترتبة

القابلية للتوسع: يكسر هذا العمل الحاجز الذي يمنع استخدام النماذج اللغوية الكبيرة في اكتشاف السببية واسعة النطاق، منتقلاً من الأمثلة البسيطة إلى الأنظمة الواقعية والمعقدة.
كفاءة التكلفة والوقت: من خلال تقليل الاستعلامات من التربيعية إلى الخطية، تقلل الطريقة بشكل كبير من التكلفة والوقت المطلوبين للاكتشاف، مما يجعلها متاحة للمجالات ذات الموارد المحدودة.
إمكانات الهجين: يوضح إطار العمل أن النماذج اللغوية الكبيرة يمكن أن تعمل كمقدمة (prior) قوية أو محرك مستقل للاستدلال السببي، مما يسد الفجوة بين الاستدلال القائم على المعرفة والاستدلال الإحصائي.
قابلية التطبيق في المجالات: إن القدرة على اكتشاف الرسوم البيانية السببية باستخدام أوصاف المتغيرات فقط تجعل هذا النهج قابلاً للتطبيق بدرجة عالية في المجالات التي تكون فيها البيانات شحيحة، أو سرية، أو يصعب قياسها، ولكن تتوفر فيها خبرة المعرفة (البيانات الوصفية).

6. القيود والعمل المستقبلي

القيود: تعتمد الطريقة على جودة بيانات تدريب النموذج اللغيدي؛ وقد تواجه صعوبة في المجالات الجديدة غير الممثلة جيداً في مجموعات البيانات التدريبية. كما أنها تفتقر إلى الشفافية (طبيعة الصندوق الأسود).
الاتجاهات المستقبلية:
- دمج مقدمات النماذج اللغوية الكبيرة مع التحقق الإحصائي (النهج الهجين).
- استخدام استراتيجيات تلقين متقدمة مثل "شجرة الأفكار" (Tree of Thoughts) للاستدلال المعقد.
- تقييم الأداء عبر بنيات النماذج اللغوية الكبيرة وأحجامها المختلفة.