🤖 machine learning

Ordering-based Causal Discovery via Generalized Score Matching

توسع هذه الورقة إطار مطابقة الدرجة ليشمل البيانات المنفصلة عبر تقديم معيار تمييز ورقي مبتكر، مما يتيح استدلالاً دقيقاً للترتيب السببي يعزز بشكل كبير أداء طرق اكتشاف السببية الحالية.

المؤلفون الأصليون: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung

نُشر 2026-07-28

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung

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 يحاول حل لغز ما، لكن ليس لديك سوى كومة من الأدلة التي تُرِكت في مسرح الجريمة. ليس لديك اعتراف، ولا تسجيل فيديو، ولا جدول زمني للأحداث. لديك فقط لقطة لما حدث. هدفك؟ معرفة من تسبب في ماذا. هل تسببت النافذة المكسورة في انطلاق الإنذار، أم أن الإنذار هو الذي تسبب في كسر النافذة؟ في عالم العلوم، يُسمى هذا الاكتشاف السببي (Causal Discovery). إنه فن اكتشاف السلسلة الخفية من السبب والنتيجة التي تربط الأشياء ببعضها البعض، مثل كيفية انتشار فيروس، أو سبب انهيار البورصة، أو ما الذي يجعل النبات ينمو.

الجزء الصعب هو أن الطبيعة غالبًا ما تخفي "سهم الزمن". إذا رأيت شيئين يحدثان معًا -مثل زيادة مبيعات الآيس كريم وهجمات القرش في شهر يوليو- فقد تخمن أن أحدهما يسبب الآخر. ولكن عادةً، يكون هناك شيء ثالث (الطقس الحار) يسبب كليهما. ولحل ذلك، يستخدم العلماء الرياضيات للبحث عن الأنماط التي لا تظهر إلا عندما يدفع شيء ما شيئًا آخر حقًا. لفترة طويلة، نجحت هذه الحيل الرياضية بشكل رائع مع الأشياء المستمرة والسلسة مثل درجة الحرارة أو السرعة. لكن العالم الحقيقي مليء بالأشياء "المنفصلة" (Discrete) - وهي فئات مثل "نعم/لا"، أو "أحمر/أزرق/أخضر"، أو "مريض/سليم". وحتى الآن، لم تكن أدوات الرياضيات الأفضل لإيجاد السبب والنتيجة تعرف كيفية التعامل مع هذه الفئات. لقد كانت مثل مفك براغي لا يناسب إلا الصواميل المستديرة، تاركةً الصواميل المربعة دون علاج.

هذه الورقة البحثية، بعنوان "الاكتشاف السببي القائم على الترتيب عبر مطابقة الدرجة المعممة" (Ordering-based Causal Discovery via Generalized Score Matching)، تشبه ابتكار مفك براغي جديد يناسب الصواميل المربعة تمامًا. لقد أخذ المؤلفون، وهم فريق من جامعة موناش وCSIRO، طريقة رياضية قوية تسمى مطابقة الدرجة (Score Matching) وعلموها كيفية العمل مع البيانات المنفصلة والفئوية. فكرتهم الكبرى هي تحديد ترتيب الأحداث من خلال العثور على "العقد الورقية" (Leaf Nodes) - وهي العناصر الأخيرة في السلسلة التي لا تسبب أي شيء آخر. تخيل شجرة عائلة حيث تبدأ من الأجداد وتتحرك نحو الأحفاد؛ تُظهر هذه الورقة كيف يمكننا البدء من الأسفل تمامًا (الأحفاد) والعمل صعودًا، حتى عندما تكون البيانات مجرد قائمة من الفئات بدلاً من الأرقام.

لقد اختبروا هذه الطالة الجديدة على كل من الألغاز المولدة حاسوبيًا ومجموعات البيانات الواقعية، مثل السجلات الطبية والنماذج البيئية. وتشير النتائج إلى أنه من خلال تحديد ترتيب الأحداث بشكل صحيح أولاً، يمكنهم تعزيز دقة الأدوات الموجودة التي تحاول رسم الخريطة الكاملة للأسباب بشكل كبير. إنها ليست عصا سحرية تحل كل الألغاز فورًا، لكنها خطوة كبيرة للأمام، تثبت أنه يمكننا الآن استخدام هذه الحيل الرياضية المتقدمة على البيانات الفئوية غير المنتظمة التي تشكل جزءًا كبيرًا من حياتنا اليومية.

مجموعة أدوات المحقق الجديدة

إذن، كيف يعمل هذا في الواقع؟ دعونا نشرح ذلك بقصة.

تخيل أنك في غرفة مليئة بأشخاص يتبادلون الملاحظات. بعض الناس يكتبون الملاحظات ويمررونها للآخرين؛ وبعضهم يستقبل الملاحظات فقط ويتوقف. لا يمكنك رؤية من يكتب لمن، لكن يمكنك رؤية كومة الملاحظات النهائية التي يحملها الجميع. مهمتك هي معرفة من بدأ السلسلة ومن انتهى بها.

في عالم البيانات، "الملاحظات" هي المتغيرات (مثل "التدخين"، "السعال"، أو "سرطان الرئة"). و"السلسلة" هي الرسم البياني الموجه غير الدوري (Directed Acyclic Graph - DAG). "موجه" تعني أن هناك اتجاهًا محددًا (سبب $\leftarrow$ نتيجة)، و"غير دوري" تعني أنه لا يمكنك الحصول على حلقة حيث (أ) يسبب (ب)، و(ب) يسبب (ج)، و(ج) يسبب (أ) (لأن ذلك سيكون مفارقة زمنية!).

لسنوات، امتلك العلماء أداة بارعة تسمى مطابقة الدرجة (Score Matching). فكر في "الدرجة" ليس كنقاط في لعبة، بل كمقياس لمدى "المفاجأة" التي يشعر بها النظام تجاه قطعة معينة من البيانات. إذا كنت تعرف قواعد اللعبة، يمكنك حساب "درجة" لكل نتيجة محتملة. في البيانات المستمرة (مثل درجة الحرارة)، تكون هذه الدرجة مثل منحدر على تلة. إذا كنت عند قمة التلة تمامًا (عقدة ورقية)، فإن المنحدر يتصرف بطريقة محددة ومتوقعة للغاية. من خلال النظر إلى هذه المنحدرات، استطاع العلماء معرفة من كان في نهاية السلسلة (الورقة) وتقشيرهم من القائمة، واحدًا تلو الآخر، للكشف عن الترتيب بأكمله.

المشكلة: كان هذا يعمل فقط مع البيانات المستمرة والسلسة. إذا كانت بياناتك منفصلة - مثل "أحمر" أو "أز�رق" أو "أخضر" - فإن مفهوم "المنحدر" أو "المشتقة" ينهار. لا يمكنك قياس ميل لون ما! الأمر يشبه محاولة قيح حدة منحدر باستخدام مسطرة مخصصة لسطح مستوٍ. الأدوات القديمة ببساطة لم تستطع التعامل مع "الخطوات".

الاختراق الكبير للورقة البحثية

سأل مؤلفو هذه الورقة سؤالاً بسيطًا: هل يمكننا إعادة اختراع "الدرجة" للبيانات المنفصلة؟

قالوا: "نعم، ولكن علينا تغيير قواعد اللعبة". فبدلاً من البحث عن المنحدرات، بحثوا عن العشوائية.

إليك التشبيه: تخيل لعبة "الهاتف المكسور" (Telephone Game).

الوالد: يبدأ شخص ما برسالة واضحة ومحددة للغاية (عشوائية منخفضة).
الطفل: يهمس بها للشخص التالي، ولكن ربما يتمتم قليلاً، أو قد يسيء الشخص التالي فهم كلمة ما (إضافة قدر ضئيل من الضجيج/العشوائية).
الحفيد: يتم تمرير الرسالة مرة أخرى، مما يؤدي إلى تراكم المزيد من الأخطاء.

في السلسلة السببية، يكون المتغير "الوالد" عادةً أكثر نظامًا وقابلية للتنبؤ. أما المتغير "الطفل"، وهو النتيجة للوالد بالإضافة إلى بعض الضجيج العشوائي، فيصبح أكثر فوضوية وعدم يقين. أدرك المؤلفون أنه إذا قمت بقياس العشوائية (أو "الانتشار") للبيانات، فإن العناصر الموجودة في نهاية السلسلة (الأوراق) يجب أن تكون الأكثر عشوائية أو "انتشارًا" بمعناه الرياضي المحدد.

لقد قدموا طريقة جديدة لقياس ذلك باستخدام ما يسمى الدرجة المنفصلة المتبادلة (reciprocal discrete score). بدلاً من المنحدر، نظروا إلى مدى احتمال وقوع فئة معينة بالنظر إلى كل شيء آخر. إذا كان المتغير عبارة عن "ورقة" (أي أنه لا يسبب أي شيء آخر)، فإن عشوائيته تتبع نمطًا خاصًا يختلف عن المتغيرات الموجودة في منتصف السلسلة.

كيف فعلوا ذلك (صائد الأوراق)

تقترح الورقة عملية خطوة بخطوة للعثور على الترتيب:

تقدير الدرجة: يستخدمون نموذج ذكاء اصطناعي متطور (نموذج انتشار مستمر الوقت) لتقدير هذه "الدرجات" من البيانات. هذا يشبه تدريب روبوت لفهم احتمالية كل ملاحظة في الغرفة.
إيجاد الورقة: يحسبون "درجة العشوائية" لكل متغير. ويتم تحديد المتغير الذي لديه أعلى عشوائية (وفقًا لقاعدتهم الرياضية المحددة) كـ عقدة ورقية - وهي التي في نهاية السلسلة.
التقشير والتكرار: بمجرد العثور على ورقة، يقومون بإزالتها من القائمة. الآن، أصبح "نهاية" السلسلة الجديد مكشوفًا. يكررون العملية حتى يرتبوا الجميع من أول سبب إلى آخر نتيجة.

ما وجدوه (وما لم يجدوه)

أجرى المؤلفون هذه الطريقة الجديدة عبر سلسلة من الاختبارات:

البيانات المحاكية: أنشأوا آلاف العوالم الوهمية بقواعد عشوائية لمعرفة مدى صمود رياضياتهم. اختبروا رسومًا بيانية تحتوي على ما يصل إلى 60 عقدة (متغيرات) وأنواع مختلفة من الاتصالات.
البيانات الواقعية: اختبروا الطريقة على ست مجموعات بيانات حقيقية، بما في ذلك السجلات الطبية (مثل مجموعة بيانات "Sachs" التي تضم 11 متغيرًا ومجموعة بيانات "Alarm" التي تضم 37 متغيرًا) والنماذج البيئية.

النتائج:
في كل اختبار تقريبًا، أدى استخدام طريقة الترتيب الجديدة الخاصة بهم إلى تعزيز كبير في أداء أدوات الاكتشاف السببي الموجودة. عندما أعطوا الترتيب لخوارزميات قياسية (مثل PC أو GES)، ارتكبت تلك الخوارزميات أخطاء أقل.

قاموا بقياس ذلك باستخدام مقاييس مثل درجة F1 (مقياس الدقة) و SID (مقياس لمدى جودة تنبؤ الرسم البياني بما يحدث عند التدخل). طريقتهم حسنت هذه الدرجات باستمرار.
وجدوا أنه حتى لو لم يكن الترتيب مثاليًا، فإنه كان "جيدًا بما يكفي" لمساعدة الأدوات الأخرى في العثًا الإجابة الصحيحة.

ما استبعدوه:
توضح الورقة بعناية ما لم يفعلوه. هم لم يدعوا أنهم حلوا مشكلة الاكتشاف السببي لـ جميع الحالات.

ذكروا صراحة أن طريقتهم تعتمد على شرط محدد: وهو أن العشوائية (عدم اليقين) تزداد كلما اتجهت للأسفل في السلسلة السببية. إذا كان العالم الحقيقي يحتوي على حالة غريبة حيث يكون "الطفل" أقل عشوائية من "والده"، فقد تواجه الطريقة صعوبة.
لم يدعوا امتلاك "رصاصة سحرية" تعمل بدون افتراضات. فمثل كل عمليات الاكتشاف السببي، تحتاج الطريقة إلى بعض الهيكل لتعمل.
أشاروا إلى أنه بينما تعمل رياضياتهم مع البيانات المستمرة أيضًا، فقد ركزوا على البيانات المنفصلة لأن الأدوات القديمة فشلت هناك. لم يدعوا أنهم حلوا الحالة المستمرة بهذا التنفيذ المحدد.

الخلاصة

هذه الورقة هي جسر. لفترة طويلة، كان الجسر بين "الرياضيات السببية المتقدمة" و"البيانات المنفصلة والفئوية" مكسورًا. لقد بنى المؤلفون مسارًا جديدًا عبره. لقد أظهروا أنه من خلال النظر إلى العشوائية بدلاً من المنحدرات، يمكننا العثور على ترتيب الأحداث في بيانات تبدو كقوائم من الفئات.

لم يقولوا فقط "قد يعمل هذا". لقد أجروا الأرقام، واختبروا الطريقة في مشاكل واقعية، وأظهروا أنها تمكن بشكل قوي من اكتشاف سببي أكثر دقة. إنها أداة تساعد العلماء و"محققي البيانات" على فرز "من تسبب في ماذا" في عالم مليء بإجابات نعم/لا، وخيارات أحمر/أزرق، وحالات مريض/سليم. وبينما ليست حلاً مثاليًا لكل لغز (فلا توجد أداة واحدة كذلك)، إلا أنها إضافة قوية لمجموعة أدوات المحقق، وتثبت أنه يمكننا أخيرًا تطبيق هذه العدسات الرياضية المتطورة على البيانات الفئوية غير المنتظمة التي تحيط بنا في حياتنا اليومية.

ملخص تقني: اكتشاف السببية القائم على الترتيب عبر مطابقة الدرجة المعممة

بيان المشكلة

لا يزال الاكتشاف السببي من البيانات الرصدية البحتة يمثل تحديًا كبيرًا، ويرجع ذلك أساسًا إلى عاملين: عدم قابلية تحديد النماذج السببية (حيث يمكن لعدة هياكل أن تولد نفس توزيع البيانات)، والتعقيد الحسابي في البحث في الفضاء التوليفي للرسوم البيانية الموجهة غير الحلقية (DAGs)، وهي مسألة صعبة حسابيًا (NP-hard). توفر النهج القائمة على الترتيب حلاً من خلال تحديد الترتيب الطوبولوجي أولاً ثم تقليم الحواف، إلا أن الطرق الحالية التي تستفيد من مطابقة الدرجة (score matching) تقتصر حاليًا على البيانات المستمرة. وتوجد فجوة حرجة في توسيع هذه الأطر القوية لتشمل البيانات المنفصلة (الفئوية)، حيث لا يكون مفهوم دالة الدرجة (تدرج لوغاريتم الاحتمالية) محددًا بشكل جيد.

المنهجية

يقترح البحث إطار عمل لتوسيع مطابقة الدرجة ليشمل المتغيرات المنفصلة لغرض تحديد الترتيب السببي. تمر المنهجية عبر الخطوات النظرية والخوارزمية الرئيسية التالية:

1. مطابقة الدرجة المعممة للبيانات المنفصلة

يستخدم المؤلفون إطار مطابقة الدرجة المعممة المقترح من قبل Lyu [32]. وبدلاً من عامل التدرج المستخدم للبيانات المستمرة، يستخدمون عامل الهامش (marginalization operator) ( $\mathcal{M}$ ).

بالنسبة لمتغير منفصل $X_i$ ، تُعرف الدرجة عبر مقلوب كثافة الشرط الفردي: $r_i(x_{-i}) = p(X_i | x_{-i})$ .
يتم تقدير دالة الدرجة المنفصلة هذه باستخدام نماذج الانتشار المنفصلة في الوقت المستمر (تحديدًا البنية المقترحة من قبل Sun et al. [58])، مما يتجنب الحاجة إلى حساب دالة درجة البيانات مباشرة ويضمن الاتساق.

2. قابلية التحديد عبر العشوائية غير المتناقصة

لتحديد العقد الورقية (العقد التي ليس لها أطفال) في النموذج السببي الهيكلي (SCM) المنفصل، يقدم البحث شرطًا جديدًا لقابلية التحديد يعتمد على مقاييس العشوائية بدلاً من التباين.

مقياس العشوائية ( $\phi$ ): يعرّف المؤلفون مقياسًا للعشوائية باستخدام الدوال المقعرة من نوع Schur (مثل إنتروبيا شانون، أو التباين السالب). يُعتبر التوزيع "أكثر عشوائية" إذا كان يهيمن عليه توزيع آخر (majorized).
شرط العشوائية غير المتناقصة (الشرط 3): الافتراض النظري الجوهري هو أنه على طول الترتيب السببي الحقيقي، تكون العشوائية الشرطية لمتغير ما بمعلومة والديه أقل من أو تساوي الحد الأدنى للعشوائية الشرطية لأطفاله بمعلومة آبائهم:
$\phi(X_i | X_{pa_i}) \leq \min_{j \in ch_i} \phi(X_j | X_{pa_j})$
وهذا يعكس الحدس بأن الضجيج الخارجي يتراكم مع الانتقال لأسفل السلسلة السببية (على سبيل المثال، ذوبان مكعب ثلج إلى ماء يزيد من الاضطراب).

3. الضمانات النظرية

يؤكد النظرية 1 أنه إذا كان مقياس العشوائية $\phi$ يستوفي شرط العشوائية غير المتناقصة، فإن العقدة $X_j$ هي عقدة ورقية إذا وفقط إذا كانت تعظم توقع العشوائية لدرجتها العكسية:
$X_j \text{ هي ورقة} \iff j \in \arg\max_{i \in [d]} \mathbb{E}_{X_{-i}}[\phi(r_i(x_{-i}))]$
يسمح هذا بخوارزمية كشف أوراق متسلسلة (الخوارزمية 1) لاستعادة الترتيب الطوبولوجي الكامل. كما يقدم البحث أيضًا التقرير 1، الذي يقدم فحصًا هيكليًا لهذا الشرط تحت توزيعات Dirichlet المتماثلة دون الحاجة إلى افتراضات الضجيج الجمعي.

4. التشخيص العملي ومعالجة ما بعد التحليل

إدراكًا بأن شرط العشوائية غير المتناقصة قد لا يتحقق تمامًا في بيانات العالم الحقيقي، يقترح المؤلفون:

الخوارزمية 2: اختبار تشخيصي عملي باستخدام اختبارات الاستقلال الشرطي (Chi-square) لتقدير توزيع درجة الدخول الناتج عن ترتيب مرشح. إذا تجاوزت درجات الدخول المقدرة حدود درجة الدخول المعروفة (الحد الأقصى لدرجة الدخول)، يتم وسم الترتيب كونه غير صالح محتملًا.
استراتيجيات معالجة ما بعد التحليل: بمجرد تقدير الترتيب، يقترح البحث استراتيجيتين لتحسين استعادة الرسم البياني الموجه غير الحلقي (DAG):
1. تقليم الحواف: إزالة الحواف التي تنتهك الترتيب المستنتج (فعال للطرق ذات الاستدعاء العالي والدقة المنخفضة مثل PC).
2. إدراج الحواف: إضافة الحواف بشكل متكرر من السوابق إلى العقدة الحالية إذا كانت تحسن دالة التقييم (فعال للطرق ذات الدقة العالية والاستدعاء المنخفض مثل GES).

المساهمات الرئيسية

أول طريقة لمطابقة الدرجة للبيانات المنفصلة: يقدم البحث أول طريقة لمطابقة الدرجة قادرة على تعلم ترتيب سببي كامل من البيانات المنفصلة، مما يسد فجوة في الأدبيات الحالية المقتصرة على المتغيرات المستمرة.
نظرية تحديد جديدة: يحدد قابلية تحديد الترتيب الطوبولوجي في النماذج السببية الهيكلية (SCMs) المنفصلة دون افتراض بنية ضجيج جمعي. وهو يعمم النتائج الحالية باستبدال افتراض "التباين غير المتناقص" بشرط "العشوائية غير المتناقصة" القابل للتطبيق على مقاييس Schur-concave.
إطار عمل قوي: يوفر النهج منظورًا جديدًا للتعلم من المتغيرات الفئوية، متجاوزًا اختبارات الاستقلال الكلاسيكية ونهج التقييم والبحث.
التحقق التجريبي: تم التحقق من النظرية من خلال تجارب مكثفة على مجموعات بيانات اصطناعية (Erdos-Rényi و Scale-Free) وبيانات حقيقية (من مستودع bnlearn).

النتائج التجريبية

قيم المؤلفون طريقتهم (SCORE+[X]، حيث X هو خط الأساس) مقابل خطوط أساس قياسية تشمل PC، وGES، وORDCD، وGAMs.

الأداء: عبر مجموعات البيانات الاصطناعية والحقيقية، حسنت الطريقة المقترحة باستمرار درجات F1 ومسافة التدخل الهيكلي (SID) مقارنة بخطوط الأساس.
المتانة: حتى عندما لم يتم استيفاء شرط العشوائية غير المتناقصة بدقة (في الأنظمة الصاخبة المحاكات)، وفرت الترتيبات المستنتجة معلومات كافية لتعزيز أداء خوارزميات الاكتشاف السببي اللاحقة.
المقاييس: بينما زادت مسافة هامينج الهيكلية (SHD) أحيانًا قليلاً (بسبب ميل الطريقة للتنبؤ بحواف أكثر بدلاً من أقل)، فإن التحسينات في SID وF1 أشارت إلى موثوقية أعلى للاستدلال السببي ودقة إجمالية أفضل.
التشخيص: أظهر اختبار تشخيص درجة الدخول المقترح ارتباطًا إيجابيًا بين نسبة العقد "غير الصالحة" (التي تنتهك حدود التشتت) والتباعد الطوبولوجي ( $D_{top}$ )، مما يؤكد فائدته كاختبار للصلاحية.

الأهمية والادعاءات

يزعم البحث تقديم أساس نظري لتطبيق مطابقة الدرجة في الاكتشاف السببي المنفصل، وهو مجال كان يُعتبر سابقًا غير قابل للحل لهذا النهج بسبب غياب دالة درجة محددة.

ادعاءات متواضعة: يقر المؤلفون بأن نتائج قابلية التحديد لديهم تعتمد على شرط العشوائية غير المتناقصة، والذي يتطلب معرفة مسبقة أو افتراضات حول عملية توليد البيانات. هم لا يدعون أن الطريقة تعمل عالميًا بدون افتراضات، لكنهم يجادلون بأنها خطوة كبيرة للأمام للبيانات المنفصلة.
القيود: يشير المؤلفون إلى أن النهج الحالي يتطلب إعادة تدريب نموذج الانتشار في كل تكرار لعملية كشف الأوراق، مما يؤدي إلى تكالفي حسابية أعلى ( $O(d)$ دورات تدريب). ويقترحون أن العمل المستقبلي يمكن أن يركز على استراتيجيات القناع التكيفي لتقريب الدرجات باستخدام نموذج واحد.
النطاق: يُصنف العمل صراحةً كامتداد لمطابقة الدرجة للمتغيرات المنفصلة؛ وبينما يمكن تطبيق النظرية نظريًا على البيانات المستمرة، ركز المؤلفون على المجال المنفصل بسبب الاختناقات الإحصائية في تقدير الكثافات الشرطية للمتغيرات المستمرة.

باختสรام، يوضح هذا العمل أنه من خلال إعادة تعريف دالة الدرجة للبيانات المنفصلة والاستفادة من مقاييس العشوائية، يمكن استعادة ترتيب سببي يعزز بشكل كبير دقة خوارزميات الاكتشاف السببي الموجودة، حتى في ظل الظروف الصاخبة والمخففة.