ملخص تقني: تحديد السمات السببية البعدي عبر نسب الحساسية

بيان المشكلة

تتناول الورقة فجوة حرجة في قابلية تفسير التعلم الآلي: تحديد السمات التي يعتمد عليها نموذج مُدرب مسبقاً بشكل سببي مقابل الاعتماد الزائف، دون الوصول إلى إجراءات التدريب، أو فئة النموذج، أو الرسم البياني السببي الأساسي.

تتطلب الطرق الحالية لتحديد السمات السببية، مثل تقليل المخاطر الثابتة (IRM) والتنبؤ السببي الثابت (ICP)، تدخلًا أثناء مرحلة التدريب (على سبيل المثال، تعديل دالات الخسارة أو إجراء عمليات بحث فرعية شاملة). وبناءً على ذلك، لا يمكنها تشخيص النماذج التي تم نشرها بالفعل. يركز المؤلفون على نظام الإزاحة الهيكلية (structured-shift regime)، وهو سيناريو شائع في البيانات السريرية متعددة المواقع أو البيانات الجينية متعددة الدفعات، حيث تختلف البيئات أساساً في متوسط السمات الزائفة (مثل إزاحات المعدات، أو تأثيرات الدفعة/Batch effects)، بينما تظل الآلية السببية وتوزيع السمات السببية مستقرة. في هذا الإعداد، سيظهر النموذج الذي يعتمد على السمات الزائفة حساسية تعتمد على البيئة، بينما سيظهر النموذج الذي يعتمد على السمات السببية حساسية ثابتة.

المنهجية: نسبة الحساسية المعيارية (NSR)

يقترح المؤلفون نسبة الحساسية المعيارية (NSR)، وهي مقياس تشخيصي بعدي (post-hoc) غير مرتبط بنوع النموذج (model-agnostic).

المفهوم الجوهري

تقيس NSR استقرار حساسية النموذج لسمة معينة عبر بيئات مختلفة.

1. نسبة الحساسية السببية (CSR): بالنسبة لسمة $j$ والبيئات $e$ والمرجع $e_{ref}$، تقيس CSR متوسط الإزاحة في مخرجات النموذج عند استبدال السمة $j$ بسحب من التوزيع الهامشي للمرجع، مع تثبيت السمات الأخرى.
2. المعايرة (Normalization): تُعرف NSR بأنها مربع معامل الاختلاف ($CV^2$) لقيم CSR عبر البيئات، مقسوماً على متوسط CSR.
   $$\text{NSR}_j(e_{ref}) := \frac{\text{Var}_{e \neq e_{ref}}[\text{CSR}_j(e, e_{ref})]}{(\mathbb{E}_{e \neq e_{ref}}[\text{CSR}_j(e, e_{ref})])^2}$$

الخصائص الرئيسية

• ثبات الوزن (Weight Invariance): تلغي عملية المعايرة الأوزان المتعلمة ($\hat{w}_j^2$). وهذا يضمن اكتشاف السمات الزائفة ذات المعاملات الصغيرة (التي قد تغفل عنها التحليلات القائمة على الأوزان) إذا كانت حساسيتها تتباين عبر البيئات.
• الإشارة التشخيصية: تحت نظام الإزاحة الهيكلية:
  • السمات السببية: تسبب حساسية ثابتة عبر البيئات $\implies \text{NSR}_j = 0$.
  • السمات الزائفة: تسبب حساسية تتبع الإزاحة البيئية $\implies \text{NSR}_j > 0$.
• التنفيذ: تتطلب NSR فقط نموذجاً "صندوقاً أسود" مدرباً، وتسميرات البيئة، وبيانات خارج العينة. ويمكن حسابها باستخدام التمريرات الأمامية (forward passes)، أو قيم SHAP، أو أهمية التبديل (permutation importance) كتقديرات جاهزة لإشارة الحساسية.

المساهمات الرئيسية

1. نظرية التحديد الدقيق

تحت نموذج هيكلي سببي (SCM) خطي في نظام الإزاحة الهيكلية مع $K \ge 3$ من البيئات غير المتدهورة، تحقق NSR تحديداً دقيقاً.

• النظرية 1: لأي متنبئ خطي بأوزان غير صفرية، $\text{NSR}_j = 0 \iff j$ هي سمة سببية.
• يوضح البرهان أن إشارة التحديد تنشأ من هندسة إزاحات البيئة، وليس من أوزان النموذج. ويمتد هذا النتيجة النظرية تجريبياً إلى النماذج غير الخطية.

2. التوصيف الكامل لأنماط الفشل

تقدم الورقة معايير كمية دقيقة للحالات التي تفشل فيها NSR، مما يسم يسمح للممارسين بتقييم صلاحية النظام:

• الإزاحات الضعيفة: تنهار NSR بمعدل $O(\epsilon^4)$ عندما تكون magnitude الإزاحة $\epsilon$ صغيرة بالنسبة للضجيج داخل البيئة.
• الهندسة المتدهورة: تكون NSR مساوية للصفر تماماً إذا كان $K < 3$ أو إذا كانت الإزاحات المطلقة عن المرجع متماثلة (مثلاً، إزاحات $+1, -1, 0$).
• تضاؤل الوكيل (Proxy Attenuation): بالنسبة للسمات التي تخلط بين الإشارات السببية والزائفة ($X_j = \alpha X_C + (1-\alpha)X_S$)، تتدهور NSR بمعدل $O((1-\alpha)^4)$.

3. معدلات التقارب في العينات المحدودة

تحدد الورقة فجوة معدل بين السمات السببية والزائفة:

• تحت فرضية العدم (سمة سببية، $\text{NSR}=0$)، يتقارب المقدر التجريبي بمعدل $O_p(n^{-1})$.
• تحت الفرض البديلة (سمة زائفة، $\text{NSR}>0$)، يتقارب بمعدل $O_p(n^{-1/2})$.
• تمكن هذه الفجوة من استخدام العتبات القائمة على التبديل (permutation-based thresholding) دون افتراضات توزيعية، حيث يتقلص التوزيع الصفري إلى الصفر بشكل أسرع من انفصال الفرض البديلة.

4. عدم القابلية للمقارنة مع IRM و ICP

يثبت المؤلفون أن NSR و IRM و ICP تعمل تحت ظروف غير قابلة للمقارنة فيما يتعلق بجداول الإزاحة.

• توجد تكوينات إزاحة (مثل الإزاحات المتماثلة) حيث تكتشف IRM و ICP السمات الزائفة بينما لا تكتشفها NSR.
• وبالعكس، هناك تكوينات (مثل الإزاحات غير المتماثلة حيث التباينات المربعة صفرية) حيث تكتشف NSR السمات الزائفة بينما لا تكتشفها IRM.
• الطرق متكاملة؛ ويعتمد الاختيار على هندسة الإزاحات المتاحة.

النتائج التجريبية

التحقق من البيانات الاصطناعية

• التحقق من النظام: تؤكد التجارب الانتقال الطوري النظري. مع $K \ge 5$ ومقدار إزاحة $\epsilon \ge 1$، تحقق NSR دقة AUROC تبلغ 1.000 مع صفر تباين عبر 30 بذرة (seed).
• أنماط الفشل: تتحقق التجارب من حدة شروط الفشل. الإزاحات المتماثلة (الهندسة المتدهورة) تؤدي إلى أداء بمستوى الصدفة (AUROC $\approx$ 0.5)، بينما استعادة التماثل يعيد الكشف المثالي.
• التقارب: تطابق معدلات التقارب التجريبية التوقعات النظرية $O(n^{-1})$ و $O(n^{-1/2})$ ضمن خطأ يترا-وح 2-8%.

استقلالية النموذج (Model Agnosticism)

تم اختبار NSR عبر خمس عائلات من النماذج (OLS, Ridge, Random Forest, XGBoost, MLP). كانت ترتيبات السمات متسقة عبر العائلات (Kendall $\tau \ge 0.529$)، مما يؤكد أن الإشارة تكمن في بنية البيئة وليس في فئة النموذج المحددة.

التطبيقات الواقعية

• بيانات مشاركة الدراجات: باستخدام تقسيمات الأشهر (month-quintile)، استردت NSR 6 من أصل 8 سمات سببية (Precision@7 = 0.75)، متفوقة على LASSO (0.58) دون تعديل النموذج المدرب.
• بيانات جودة النبيذ: حددت NSR المحركات السببية في إعداد يحتوي على تباين تقني على مستوى الدفعة.
• رؤية عملية: تسلط التجار nghiệm الضوء على أن NSR تتطلب أن يعمم النموذج الأساسي داخل البيئات (لا يفرط في التخصيص Overfit). كان التنظيم التكيفي (Adaptive regularization) (بهدف تحقيق $R^2 \approx 0.75$) ضرورياً لمنع ضجيج البيئة من حجب إشارة الاستقرار.

الأهمية والنطاق

تزعم الورقة أن NSR توفر أداة تدقيق بعدية قائمة على أسس نظرية للنماذج المنشورة. تكمن أهميتها في:

1. الفائدة التشغيلية: تسمح للممارسين بتشخيص الاعتماد الزائف في النماذج الحالية دون الحاجة لإعادة التدريب أو الوصول إلى بيانات التدريب.
2. الحدود الصريحة: على عكس العديد من أدوات التفسير "الصندوق الأسود"، تأتي NSR مع خريطة كاملة لنظام تشغيلها وأنماط فشلها، مما يوفر فحوصات كمية (مثل التحقق من مقدار الإزاحة وعدد البيئات) قبل التطبيق.
3. التكامل: تملأ فجوة متميزة عن IRM و ICP، وتستهدف تحديداً السيناريوهات التي تكون فيها هندسة الإزاحة غير متماثلة والنموذج مدرباً بالفعل.

القيود التي أقر بها المؤلفون:

• استقرار الهامش السببي: تفترض NSR أن توزيع السمات السببية ($P(X_C)$) مستقر عبر البيئات. إذا تغيرت المتغيرات السببية (مثل التغيرات الديموغرافية)، فقد تصنفها NSR بشكل خاطئ كسمات زائفة.
• بنية الإزاحة: تفترض الصيغة الحالية إزاحة قياسية موحدة عبر السمات الزائفة. الإزاحات الخاصة بكل سمة أو إزاحات التغاير (covariance shifts) لا يتم التقاطها مباشرة دون توسعات فرعية.
• الاعتماد على النظام: الطريقة هي أداة تشخيصية صارمة لنظام الإزاحة الهيكلية؛ وليست أداة اكتشاف سببي عامة لتوزيعات البيانات العشوائية.