🤖 AI

Regret-Based Federated Causal Discovery with Unknown Interventions

تقترح هذه الورقة البحثية I-PERI، وهو خوارزمية اتحادية مبتكرة تتيح الاكتشاف السببي في ظل تدخلات غير معروفة على مستوى العميل من خلال استعادة رسم بياني اتحادي وتوجيه حواف إضافية لتحقيق فئة مكافئة $\Phi$ -ماركوف أكثر إحكاماً، مع توفير ضمانات نظرية حول التقارب والخصوصية.

المؤلفون الأصليون: Federico Baldo, Charles K. Assaad

نُشر 2026-06-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Federico Baldo, Charles K. Assaad

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 مجموعة من المستشفيات تحاول فهم كيفية ارتباط الأمراض والعلاجات ونتائج المرضى ببعضها البعض. إنهم يريدون بناء "خريطة" للسبب والنتيجة (رسم بياني سببي) لفهم ما يسبب ماذا. ومع ذلك، هناك مشكلة كبيرة: لا يمكنهم مشاركة بيانات مرضاهم بسبب قوانين الخصوصية. وهنا يأتي دور التعلم الاتحادي (Federated Learning) — وهي طريقة للتعاون دون أن يرى أي منهم الملفات الخاصة بالآخرين مطلقاً.

تقدم الورقة البحثية طريقة جديدة تسمى I-PERI لحل لغز محدد في هذا السيناريو: ماذا لو كان كل مستشفى يقوم بشيء مختلف قليلاً تجاه مرضاه؟

إليك تفصيل أفكار الورقة باستخدام تشبيهات بسيطة:

1. المشكلة: خطأ "المقاس الواحد الذي يناسب الجميع"

افترضت معظم الطرق السابقة أن كل مستشفى يجري التجربة ذاتها تماماً على المرضى أنفسهم. افترضوا أن "قواعد اللعبة" متطابقة في كل مكان.

الواقع: في العالم الحقيقي، قد يعالج المستشفى (أ) المرضى بدواء معين، بينما يستخدم المستشفى (ب) بروتوكولاً مختلفاً، وقد يكتفي المستشفى (ج) بالمراقبة فقط دون تدخل. هذه الأفعال المختلفة تسمى التدخلات (Interventions).

التشبيه: تخيل أنك تحاول فهم كيفية عمل محرك سيارة.
- المستشفى (أ) يقود السيارة بشكل طبيعي.
- المستشفى (ب) قام بإزالة شمعات الاحتراق (تدخل).
- المستشفى (ج) وضع شريطاً لاصقاً فوق حاقن الوقود (تدخل آخر).
- إذا حاولت دمج تقاريرهم بافتراض أنهم جميعاً يقودون بشكل طبيعي، فستحصل على خريطة مشوشة وخاطئة لكيفية عمل المحرك.

2. الحل: I-PERI (المحقق الذي يبحث عن "الندم")

يقترح المؤلفون I-PERI، وهي عملية تحقيق من خطوتين تعمل حتى عندما لا تعرف المستشفيات بالضبط ماهية التدخلات التي تقوم بها لدى بعضها البعض، وحتى عندما لا يمكنها مشاركة بياناتها الخام.

الخطوة 1: إيجاد الأرضية المشتركة (الهيكل العظمي)
أولاً، يحاول النظام العثور على أجزاء الخريطة التي هي نفسها للجميع.

التشبيه: يسأل الخادم المركزي كل مستشفى: "إذا رسمتُ خريطة للمحرك، فما مقدار 'الندم' الذي تشعر به لأن الخريطة لا تطابق واقعك المحلي؟"
بدلاً من مشاركة خرائطهم الكاملة، ترسل المستشفيات فقط رقماً يمثل هذا "الندم" (درجة توضح مدى خطأ خريطة الخادم مقارنة ببياناتهم المحلية).
يقوم الخادم بتعديل خريطته لتقليل إجمالي "الندم". يساعد هذا في اتفاقهم على الهيكل الأساسي (الهيكل العظمي) للرسم البياني السببي، مع تجاهل الأجزاء التي تعطلت بسبب التدخلات.

الخطوة 2: استخدام الاختلافات لملء الفراغات
هذا هو الجزء الذكي. بمجرد بناء الخريطة الأساسية، يبحث النظام في الاختلافات الناتجة عن التدخلات.

التشبيه: تذكر شمعات الاحتراق؟ عندما أزال المستشفى (ب) الشمعات، كشف سلوك المحرك عن طريقة معينة كشفت عن اتصال مخفي.
ينظر I-PERI إلى كيفية تغيير التدخلات في المستشفيات المختلفة لـ "شكل" البيانات. إذا أدى تدخل في المستشفى (أ) إلى إنشاء نمط معين (مثل شكل حرف "V" في البيانات) لم يكن مرئياً من قبل، يستخدم الخادم هذا القرين لرسم سهم محدد على الخريطة.
النتيجة: ينتهي بهم الأمر بخريطة أكثر تفصيلاً مما كان بإمكانهم بناؤه باستخدام البيانات الرصدية فقط. يطلق المؤلفون على هذه الخريطة الجديدة والأكثر دقة اسم $\Phi$ -CPDAG.

3. الخصوصية: التعاون "مع عصبة العينين"

تؤكد الورقة أن هذه الطريقة مصممة لتكون خاصة.

التشبيه: لا تسلم المستشفيات قوائم مرضاها أو مخططات المحرك الكاملة الخاصة بها أبداً. إنهم يسلمون فقط رقماً واحداً (درجة الندم) وبعض التلميحات المشفرة.
يثبت المؤلفون رياضياً أنه حتى لو حاول شخص ما التجسس على هذه الأرقام، فلا يمكنه استخراج البيانات الخاصة لأي مريض بمفرده. إنهم يستخدمون تقنية تسمى الخصوصية التفاضلية (Differential Privacy)، والتي تضيف القليل من "الضجيج الساكن" إلى الإجابات لإخفاء المساهمات الفردية، تماماً مثل إضافة القليل من التشويش إلى إشارة الراديو بحيث لا يمكنك سماع صوت شخص بعينه، ولكن لا يزال بإمكانك فهم الأغنية.

4. ما أثبتوه

إنها تعمل: أظهروا أنه إذا كان لديك ما يكفي من البيانات، فإن هذه الطريقة ستجد في النهاية أدق خريطة ممكنة في ظل القيود المفروضة ( $\Phi$ -Markov Equivalence Class).
إنها أفضل: في اختباراتهم (باستخدام بيانات اصطناعية تحاكي سيناريوهات العالم الحقيقي)، بنت I-PERI خرائط أكثر دقة من الطرق الموجودة حالياً، خاصة عندما كانت للمستشفيات بروتوكولات علاجية مختلفة.
إنها سريعة: إنها تعمل بشكل أسرع بكثير من الطرق المعقدة الأخرى.

الملخص

I-PERI هي طريقة جديدة للمجموعات اللامركزية (مثل المستشفيات) لبناء خريطة مشتركة للسبب والنتيجة. هي لا تتظاهر بأن الجميع يفعل الشيء نفسه؛ بل تستخدم الاختلافات فيما يفعلونه (التدخلات المجهولة) كقرائن لرسم خريطة أكثر دقة، كل ذلك مع إبقاء بيانات مرضى الجميع مخفية تماماً.

ملخص تقني: اكتشاف سببي اتحادي قائم على الندم مع تدخلات مجهولة

بيان المشكلة

عادةً ما يستعيد الاكتشاف السببي من البيانات الرصدية (Observational Data) رسمًا بيانيًا موجهًا جزئيًا مكتملًا (CPDAG)، والذي يمثل فئة تكافؤ ماركوف (MEC). وبينما تعالج أساليب الاكتشاف السببي الاتحادي (FCD) الحديثة مسألة لامركزية البيانات والخصوصية، إلا أنها تعتمد على الافتراض المثالي بأن جميع العملاء يتشاركون نموذجًا سببيًا متطابقًا لا يتأثر بالتدخلات. أما في البيئات الاتحادية الواقعية (مثل المستشفيات متعددة المراكز)، فإن السياسات والبروتوكولات الخاصة بكل عميل تؤدي بطبيعتها إلى تدخلات متباينة ومجهولة. هذه التدخلات تغير الهياكل السببية المحلية (على سبيل المثال، عبر إزالة الحواف الواردة عبر التدخلات الهيكلية)، مما يجعل خوارزميات FCD القياسية غير فعالة لأنها لا تستطيع التمييز بين الحواف المفقودة بسبب التدخلات وبين الحواف المفقودة بسبب الهيكل السببي الأساسي. علاوة على ذلك، تفترض الأساليب الحالية للاكتشاف السببي مع التدخلات المجهولة تجميع البيانات مركزيًا، مما ينتهك قيود الخصوصية، أو تتطلب معرفة أهداف التدخل، وهو أمر غير واقعي غالبًا في البيئات الاتحادية.

المنهجية: I-PERI

يقترح المؤلفون I-PERI (Intervention-PERI)، وهي خوارزمية اتحادية مبتكرة مصممة للتعامل مع التدخلات المجهولة على مستوى العميل مع ضمان الخصوصية التفاضلية. تعمل I-PERI على توسيع خوارزمية PERI من خلال الاستفيد من الاختلافات الهيكلية الناجمة عن التدخلات عبر العملاء لتنقية الرسم البياني السببي العالمي. تعمل الطريقة في مرحلتين متميزتين:

1. استعادة CPDAG اتحادي (المرحلة 1)

تهدف المرحلة الأولى إلى استعادة الـ CPDAG المشترك لجميع العملاء، ويرمز له بـ $C(G)$ ، والذي تُشتق منه جميع الرسوم البيانية الخاصة بالعملاء.

التحدي: تفشل دوال الندم (Regret functions) القياسية هنا لأن التدخلات الهيكلية تزيل الحواف، مما يجعل الـ CPDAG الخاص بالعميل عبارة عن رسم بياني فرعي من الـ CPDAG العالمي الحقيقي. إن تقليل الندم بشكل مباشر سيؤدي إلى معاقبة الخادم (Server) على الحواف "المفقودة" التي تمت إزالتها بالفعل بسبب التدخلات.
الحل: تقدم I-PERI تقنية قناع التوافق الموجه ( $\mu$ $μ$ ). قبل حساب الندم، يتم قناع رسم الخادم البياني مقابل رسم كل عميل. تقوم هذه العملية بـ:
- الاحتفاظ بالحواف الموجودة في كلا الرسمين البيانيين.
- إزالة الحواف الموجودة في الخادم والغائبة في العميل (إقرارًا بأنها قد تكون ناتجة عن التدخلات).
- توجيه الحواف غير الموجهة في رسم الخادم إذا كان الحرف المقابل في العميل موجهًا.
التحسين: تقوم الخوارزمية بتقليل أسوأ حالة ندم عبر الرسوم البيانية المقنعة:
$\hat{G} = \arg \min_{H \in C(G)} \max_{k} \left( L(\mu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k) \right)$
حيث $L$ هي دالة تسجيل متسقة (مثل BIC). يضمن هذا استقرار الخادم للوصول إلى الـ CPDAG الخاص بالرسم البياني الموجه (DAG) الأساسي $G$ .

2. تنقية التوجيه (المرحلة 2)

تستغل المرحلة الثانية حقيقة أن التدخلات الهيكلية يمكن أن تحول المصادمات المحجوبة (Shielded Colliders) إلى مصادمات غير محجوبة (v-structures)، مما يكشف عن توجهات الحواف التي كانت غامضة في البيانات الرصدية البحتة.

الآلية: تستخدم I-PERI قناع التوافق غير الموجه ( $\nu$ ). في هذا القناع، تأخذ الحواف غير الموجهة الأولوية على الحواف الموجهة. تقوم الخوارزمية بمعاقبة الخادم للفشل في توجيه الحواف التي تم توجيهها في رسوم العملاء البيانية نتيجة لـ v-structures الناتجة عن التدخل.
التحسين: يتم حساب الندم على الرسم البياني المقنع غير الموجه:
$R_k(H) = L(\nu(H, C(G^{\Phi_k}), D_k) - L(C(G^{\Phi_k}), D_k)$
يتم تقييد مساحة البحث في الرسوم البيانية الموجهة جزئيًا المشتقة من المرحلة الأولى.

ضمانات الخصوصية

تم تصميم I-PERI مع مراعاة الخصوصية التفاضلية $\epsilon$ . بد بدلًا من مشاركة الرسوم البيانية المحلية أو معاملات النموذج، يقوم العملاء بحساب الندم المحلي وإضافة ضوضاء لابلاس (Laplace noise) قبل الإرسال. تقدم الورقة حدودًا نظرية لحساسية دالة الندم، مما يضمن أن إضافة الضوضاء لن تضر بشكل كبير بفائدة استعادة الرسم البياني العالمي مع حماية نقاط البيانات الفردية.

المساهمات الرئيسية

فئة التكافؤ $\Phi$ -MEC: عرّف المؤلفون فئة تكافؤ جديدة، وهي $\Phi$ -MEC، وهي أكثر إحكامًا من فئة MEC الرصدية القياسية ولكنها أقل إحكامًا من I-MEC (التي تتطلب تدخلات معروفة). وهي تمثل أفضل استعادة ممكنة في بيئة اتحادية ذات تدخلات مجهولة.
$\Phi$ -CPDAG: رسم بياني ممثل لـ $\Phi$ -MEC، يتم الحصول عليه عن طريق توجيه الحواف في الـ CPDAG القياسي بناءً على الـ v-structures التي كشفت عنها تدخلات مستوى العميل.
خوارزمية I-PERI: خوارزمية اتحادية مكونة من مرحلتين تستعيد الـ $\Phi$ -CPDAG دون الحاجة لمعرفة أهداف التدخل أو مشاركة البيانات الخام.
الضمانات النظرية: تقدم الورقة براهين على تقارب I-PERI إلى $\Phi$ -CPDF مع اقتراب أحجام العينات من اللانهاية، بافتراض الكفاية السببية (Causal Sufficiency) والإخلاص (Faithfulness). كما أنها تضع ضمانات رسمية للخصوصية التفاضلية.

النتائج التجريبية

قيم المؤلفون I-PERI على مجموعات بيانات خطية اصطناعية مقابل أحدث المعايير (PERI, FedDAG, NOTEARS-ADMM, FedCDH).

الأداء: تفوقت I-PERI باستمرار على المعايير من حيث مسافة هامينج الهيكلية (SHD) ودرجة F1 عبر عدد متغير من المتغيرات ( $p \in \{3, \dots, 20\}$ )، والعملاء ( $K$ )، وأحجام العينات ( $n$ ).
توجيه الحواف: نجحت المرحلة الثانية من I-PERI في توجيه حواف إضافية كانت غامضة في الـ CPDAG الأولي، مما أثبت فائدة الاستفادة من التباين الناتج عن التدخل لتنقية التوجيه السببي.
الكفاءة: أظهرت I-PERI وقت تشغيل حسابي أقل بكثير (بفارق عدة مراتب) مقارنة بالطرق المنافسة.
المتانة: ظلت الطريقة فعالة عند استخدام خوارزميات اكتشاف محلية مختلفة (PC و GES) وأظهرت أداءً متسقًا عبر إعدادات حجم العينة المتجانسة وغير المتجانسة.

الأهمية والادعاءات

تدعي الورقة أن I-PERI تعالج فجوة حرجة في الاكتشاف السببي الاتحادي من خلال تجاوز الافتراض غير الواقعي للبيانات المتجانسة غير المتدخل فيها.

الاستفادة من التباين: على عكس التعلم الاتحادي التقليدي حيث يُعامل تباين العملاء غالبًا كمصدر ضجيج يجب تقليله، تعامل I-PERI الاختلافات الهيكلية الناتجة عن التدخل كـ مصدر للمعلومات لتنقية التوجيه السببي.
الاكتشاف الحافظ للخصوصية: يوضح العمل أنه يمكن تحقيق اكتشاف سببي عالي الجودة دون تجميع البيانات مركزياً أو الكشف عن أهداف التدخل، بالاعتماد بدلاً من ذلك على تجميع الندم مع الخصوصية التفاضلية.
التقدم النظري: من خلال تعريف $\Phi$ -MEC، تضع الورقة الحدود النظرية لما يمكن تحديده في البيئات الاتحادية مع التدخلات المجهولة، مما يوفر حداً أكثر إحكامًا من البيانات الرصدية وحدها.

يشير المؤلفون إلى أن دقة I-PERI تعتمد على جودة الـ CPDAGs المحلية التي يتعلمها العملاء، وأن ضماناتها النظرية تعتمد على افتراضات قياسية (الكفاية السببية، والإخلاص) والتي قد تُنتهك في السيناريوهات الواقعية المعقدة. كما اقتُرح العمل المستقبلي لتوسيع الإطار ليشمل حالات المتغيرات الكامنة وانحياز الاختيار.