🤖 AI

Relational Structural Causal Models

Cet article introduit des modèles causaux structurels relationnels et des modèles causaux neuronaux relationnels pour permettre aux systèmes d'IA d'apprendre des représentations causales qui soutiennent le raisonnement sur les interventions et les contrefactuels pour des combinaisons d'objets inédites, même en présence de confusion non observée.

Auteurs originaux : Adiba Ejaz, Elias Bareinboim

Publié 2026-06-16

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Adiba Ejaz, Elias Bareinboim

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un robot à conduire une voiture. Vous lui montrez des milliers de vidéos de trafic. Mais voici le piège : dans chaque vidéo que vous lui montrez, il y a toujours exactement deux voitures et un piéton.

Maintenant, vous placez le robot sur une vraie route où il y a trois voitures et deux piétons. Le robot panique. Il n'a jamais vu cette combinaison spécifique auparavant. Il ne sait pas si la troisième voiture doit s'arrêter ou avancer.

C'est le problème que l'article traite. Il demande : Comment pouvons-nous construire une IA qui comprenne les règles de la manière dont les choses interagissent, afin qu'elle puisse gérer de nouvelles combinaisons d'objets non vues sans avoir besoin d'être réentraînée ?

Les auteurs appellent leur solution les Modèles Causaux Structurels Relationnels (RSCM - Relational Structural Causal Models). Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples.

1. Le Problème : La « Recette » vs les « Ingrédients »

La plupart des modèles d'IA actuels sont comme un chef qui a mémorisé une recette de salade avec exactement trois tomates et deux concombres. Si vous lui donnez une salade avec quatre tomates et un concombre, ils sont confus. Ils ne comprennent pas la logique de la salade ; ils ont juste mémorisé la liste spécifique des ingrédients.

Dans le monde réel (comme le trafic, la biologie ou les réseaux sociaux), le nombre d'objets change constamment.

Trafic : Parfois il y a 2 voitures, parfois 10. Parfois un piéton est devant la Voiture A, parfois devant la Voiture B.
L'Objectif : Nous avons besoin d'une IA qui apprenne la « recette » (les règles causales), et non pas seulement les ingrédients spécifiques. Elle doit savoir : « Si un feu rouge contrôle une voiture, la voiture s'arrête », qu'il y ait une voiture ou cent voitures.

2. La Solution : Le « Livre de Règles Universel »

Les auteurs ont créé un nouveau type de modèle appelé un Modèle Causal Structurel Relationnel (RSCM).

Voyez l'RSCM non pas comme une liste de faits spécifiques, mais comme un Livre de Règles Universel.

Au lieu de dire « La voiture 1 s'arrête quand le feu 1 est rouge », le livre de règles dit : « Toute voiture s'arrête si n'importe quel feu qui la contrôle est rouge ».
Il gère aussi les relations : « Une voiture s'arrête si n'importe quel piéton sur son chemin traverse ».

Cela permet à l'IA de prendre ce même livre de règles et de l'appliquer à une scène avec 2 voitures ou à une scène avec 50 voitures. Elle n'a pas besoin de voir toutes les combinaisons possibles pour savoir quoi faire.

3. La Grande Découverte : On ne peut pas simplement « Deviner »

L'article fait une découverte très importante, et quelque peu effrayante. Ils ont prouvé mathématiquement que vous ne pouvez pas simplement regarder des données provenant d'un ensemble de scènes et deviner automatiquement ce qui se passe dans une scène totalement nouvelle.

L'Analogie :
Imaginez que vous avez une machine qui fabrique des sandwichs.

Scène A : Vous voyez toujours la machine fabriquer des sandwichs avec une seule tranche de fromage.
Scène B : Vous voulez savoir ce qui se passe si vous mettez deux tranches de fromage.

Les auteurs ont prouvé que sans connaître le mécanisme interne (le « graphe causal »), vous ne pouvez pas deviner le résultat de la Scène B en regardant simplement la Scène A.

Peut-être que la machine ajoute le fromage de manière linéaire (2 tranches = le double du goût).
Peut-être que la machine a une limite (2 tranches = elle se bloque).
Peut-être que la machine ignore la deuxième tranche entièrement.

Si vous ne regardez que la machine fabriquer des sandwichs à une seule tranche, vous n'avez aucun moyen de savoir laquelle de ces trois règles est vraie. Vous devez connaître la structure de la machine (le grapque causal) pour faire cette prédiction.

4. La Solution : Dessiner la Carte

Pour résoudre ce problème de « devinette », les auteurs disent que nous avons besoin de fournir à l'IA une Carte des Relations (un Graphe Causal Relationnel).

Cette carte dit à l'IA :

« Les signaux contrôlent les Piétons. »
« Les piétons sur le chemin d'une voiture affectent la Voiture. »
« Les signaux n'affectent pas directement les Voitures, sauf s'ils les contrôlent. »

Une fois que l'IA possède cette carte, elle peut utiliser un outil mathématique spécial (appelé « critères d'identification ») pour déterminer si elle peut répondre à une question sur une nouvelle scène.

Si la carte dit « Oui » : L'IA peut prédire avec confiance le résultat de la nouvelle scène en utilisant les données des anciennes scènes.
Si la carte dit « Non » : L'IA sait qu'elle n'a pas assez d'informations et ne doit pas deviner.

5. Le Moteur « Neural »

Enfin, les auteurs ont construit un programme informatique (un Réseau de Neurones) qui utilise ce Livre de Règles et cette Carte. Ils l'appellent un Modèle Causal Neural Relationnel.

Ils l'ont testé sur des scènes de trafic simulées.

Ils ont entraîné l'IA sur des scènes avec des nombres spécifiques de voitures et de piétons.
Ils lui ont demandé de prédire ce qui se passerait dans des scènes avec des nombres différents de voitures et de piétons.

Le Résultat :
Le nouveau modèle était bien meilleur pour prédire les scènes inédites que les modèles d'IA standards. Même lorsque les modèles standards étaient entraînés directement sur les scènes « inédites », le nouveau modèle (entraîné sur des scènes différentes mais utilisant les bonnes règles) affichait souvent des performances égales ou supérieures.

Résumé

Le Problème : L'IA a du mal lorsque le nombre d'objets ou leur disposition change (ex: 2 voitures vs 10 voitures).
L'Intuition : On ne peut pas apprendre les règles pour de nouvelles combinaisons simplement en regardant d'anciennes données ; il faut connaître la structure causale sous-jacente.
L'Outil : Ils ont créé un « Livre de Règles » (RSCM) et une « Carte » (Graphe Causal) qui indiquent comment les objets interagissent.
La Preuve : Ils ont démontré mathématiquement quand on peut et quand on ne peut pas prédire de nouveaux scénarios, et ont construit un réseau de neurones qui utilise avec succès ces règles pour se généraliser à des scènes de trafic inédites.

En bref, ils ont donné à l'IA un moyen de comprendre la logique des relations plutôt que de simplement mémoriser des listes d'objets, lui permettant de gérer la complexité changeante et désordonnée du monde réel.

Résumé Technique : Modèles Causaux Structurels Relationnels

Énoncé du Problème

Les systèmes d'intelligence artificielle nécessitent des modèles de monde qui soient à la fois causaux (permettant le raisonnement sur les interventions et les contrefactuels) et combinatoires (permettant la généralisation à des combinaisons inédites d'objets). Bien que les modèles causaux structurels (SCM) fournissent un formalisme pour le raisonnement causal, ils supposent généralement un ensemble de variables fixe et un graphe causal fixe. Cette limitation entrave leur application dans des domaines où le nombre d'objets et leurs structures relationnelles varient dynamiquement, comme la conduite autonome, la robotique et les systèmes biologiques.

Les méthodes existantes d'apprentissage automatique relationnel excellent dans la généralisation combinatoire mais échouent souvent à fournir des garanties causales, exploitant fréquemment des corrélations instables qui se brisent sous l'effet d'une intervention. Inversement, les méthodes d'inférence causale peinent souvent à généraliser à travers différents squelettes relationnels (par exemple, des scènes de trafic avec des nombres différents de voitures et de signaux) car elles reposent sur des hypothèses de variables fixes ou supposent que les objets sont indépendants et identiquement distribués (i.i.d.).

Le problème central abordé est le suivant : Comment peut-on apprendre formellement et effectuer une inférence causale (incluant des requêtes interventionnelles et contrefactuelles) à travers des combinaisons variables d'objets et de relations, particulièrement lorsque les données ne sont disponibles que pour des squelettes relationnels observés spécifiques ?

Méthodologie

Les auteurs proposent un cadre centré sur les Modèles Causaux Structurels Relationnels (RSCM) et les Modèles Causaux Neuraux Relationnels (RNCM).

1. Modèles Causaux Structurels Relationnels (RSCM)

L'article étend les SCM standards aux contextes objet-relationnel. Un RSCM est défini par un tuple $\langle S, V, U, F, P(U) \rangle$ , où :

Schéma ( $S$ ) : Définit les types d'entités (ex. : Voiture, Signal), les types de relations (ex. : Ctrl, Path) et les attributs.
Mécanismes ( $F$ ) : Contrairement aux SCMs standards où les mécanismes prennent des entrées de taille fixe, les mécanismes d'un RSCM acceptent des multiensembles de parents relationnels. Par exemple, le mécanisme de freinage d'une voiture dépend de l'ensemble de tous les signaux la contrôlant et de tous les piétons sur son chemin. Ces mécanismes utilisent des contraintes relationnelles (prédicats de logique du premier ordre) pour déterminer quels objets sont pertinents et des agrégateurs (ex. : $\lor$ , $\land$ , somme, max) pour combiner leurs valeurs.
Instanciation (Grounding) : Un RSCM agit comme un modèle (template). Lorsqu'il est instancié sur un squelette relationnel spécifique (un ensemble concret d'objets et de relations), il produit un SCM ancré avec un ensemble fixe de variables.

2. Résultats d'Impossibilité

Les auteurs établissent d'abord des limites théoriques sur l'apprentissage sans hypothèses supplémentaires :

Théorème 3.3 (Inférence Observationnelle Cross-Skeleton) : Les distributions observationnelles pour des squelettes cibles inédits ne peuvent pas être identifiées à partir de squelettes sources sans hypothèses additionnelles. Deux RSCM peuvent être d'accord sur tous les squelettes sources mais diverger sur le squelette cible si celui-ci contient des configurations relationnelles (ex. : une voiture contrôlée par deux signaux) absentes de la source.
Théorème 3.4 (Inférence Causale Intra-Skeleton) : Même au sein d'un seul squelette, si une entité possède plusieurs attributs, les données observationnelles seules sont insuffisantes pour identifier les distributions interventionnelles sans hypothèses sur la structure causale.

3. Identification Relationnelle via des Critères Graphiques

Pour surmonter ces résultats d'impossibilité, l'article introduit les Graphes Causaux Relationnels (RCG). Ces graphes encodent des hypothèses sur le processus de génération de données, incluant :

Arêtes non-relationnelles : Dépendances entre les attributs d'un même objet.
Nœuds relationnels : Valeurs agrégées d'objets liés (ex. : "tous les signaux contrôlant la voiture $c$ ").
Contraintes : Annotations sur les arêtes spécifiant les conditions relationnelles sous lesquelles les dépendances sont valides.

En utilisant ces graphes, les auteurs dérivent des critères d'identification symbolique :

Identification Observationnelle (Théorème 4.3) : Une distribution conditionnelle dans un squelette cible est identifiable s'il existe une instance source avec une variable non-confondue et un domaine parent qui est un sur-ensemble du domaine parent de la cible.
Identification Causale (Proposition 4.4) : Si une requête est identifiable via le calcul ctf (calcul contrefactuel) sur le graphe ancré marginalisé, elle est relationnellement identifiable.
Non-identifiabilité (Proposition 4.5) : Si une requête intra-instance est non-identifiable au sens standard (ex. : en raison d'une structure en arc/bow-structure), elle reste non-identifiable dans le contexte relationnel.

4. Modèles Causaux Neuraux Relationnels (RNCM)

Pour une mise en œuvre pratique, les auteurs proposent des Modèles Causaux Neuraux Relationnels à Contrainte G (G-RNCMs).

Architecture : Un réseau de neurones est défini pour chaque type d'attribut (ex. : un réseau pour Voiture.B). Ce réseau est réutilisé (partage de paramètres) à travers toutes les instances de ce type dans n'importe quel squelette.
Entrées : Le réseau prend des parents non-relationnels et des parents relationnels agrégés (ex. : comptages ou histogrammes des états d'objets liés).
Algorithme (RelationalNeuralID) : Le modèle est entraîné pour ajuster les distributions sources (observationnelles ou interventionnelles) tout en minimisant ou maximisant la requête cible. Si les valeurs minimale et maximale de la requête coïncident, la requête est identifiée ; sinon, elle est non-identifiable. Le Théorème 5.2 prouve que les RNCM sont assez expressifs pour représenter n'importe quel RSCM cohérent avec le graphe.

Contributions Clés

Formalisation des RSCM : Une définition rigoureuse des modèles causaux pour les domaines objets-relations qui supporte des nombres variables d'objets et de relations, étendant ainsi le cadre des SCM.
Théorie de l'Identification : Preuve de l'impossibilité de l'inférence cross-skeleton sans hypothèses, suivie du développement de critères graphiques (Graphes Causaux Relationnels) qui permettent l'identification à travers les squelettes et au sein des squelettes.
Implémentation Neurale : Proposition de RNCM, une approche neurale complète et saine pour l'identification relationnelle qui exploite le partage de paramètres et l'agrégation pour gérer la généralisation combinatoire.
Validation Empirique : Expériences sur des scènes de trafic simulées démontrant que les RNCM surpassent les bases de comparaison causales non-relationnelles et les bases relationnelles non-causales, particulièrement lors de la généralisation à des combinaisons d'objets inédites.

Résultats Expérimentaux

Les auteurs ont évalué leur approche en utilisant des scènes de trafic simulées avec des nombres variables de signaux, de piétons et de voitures.

Précision de l'Estimation : Les RNCM ont systématiquement surpassé les Modèles Causaux Neuraux (NCM) plats et les bases de comparaison relationnelles non-causales (REL-MLP) d'environ 100x dans les contextes identifiables. Notamment, un RNCM entraîné sur un squelette source (ex. : une voie de déviation) a surpassé les bases entraînées directement sur le squelette cible (ex. : une intersection en T) pour estimer les effets causaux sur des voitures spécifiques, soulignant la valeur de la structure relationnelle.
Généralisation : Les RNCM ont réussi à se généraliser à des voisinages relationnels plus petits ou identiques. La performance ne se dégrade que dans les contextes non-identifiables (ex. : généraliser à une voiture contrôlée par deux signaux alors que la source n'en possédait qu'un seul), ce qui est en accord avec les résultats d'impossibilité théoriques.
Précision de l'Identification : L'algorithme a réussi à distinguer les requêtes identifiables des requêtes non-identifiables. Pour les requêtes cross-car identifiables, l'écart entre les estimations minimisées et maximisées s'est réduit à zéro ; pour les requêtes intra-voiture non-identifiables, l'écart est resté important.
Scalabilité : Les expériences avec jusqu'à 75 objets ont montré que la précision restait stable à mesure que le nombre d'objets augmentait, avec seulement une augmentation modérée du temps d'exécution, démontrant la scalabilité du partage de paramètres.

Signification et Revendications

L'article prétend fournir les fondements méthodologiques de l'inférence causale dans les contextes objets-relations. En unifiant l'apprentissage relationnel (pour la généralisation combinatoire) et l'inférence causale (pour la robustesse aux interventions), ce travail comble une lacune critique dans les modèles de monde de l'IA.

Les auteurs soulignent que leur cadre ne suppose pas que les objets sont i.i.d. ou que les structures relationnelles sont fixes. Au lieu de cela, il modélise explicitement comment les mécanismes causaux dépendent des contraintes relationnelles. La portée de ce travail réside dans la capacité à permettre aux systèmes d'IA de raisonner sur des scénarios "et si" dans des environnements dynamiques (comme la conduite autonome) où le nombre et la disposition des objets changent, à condition que les mécanismes causaux sous-jacents soient cohérents à travers ces variations. Le travail suggère qu'une généralisation réussie dans de tels domaines repose sur des hypothèses explicites concernant la structure relationnelle, lesquelles peuvent être encodées via des graphes causaux relationnels et apprises via des RNCM.