Relational Structural Causal Models
Dit artikel introduceert relationele structurele causale modellen en relationele neurale causale modellen om AI-systemen in staat te stellen causale representaties te leren die redeneren over interventies en contrafectuals ondersteunen voor ongeziene combinaties van objecten, zelfs bij de aanwezigheid van niet-geobserveerde confounding.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren hoe hij een auto moet besturen. Je laat hem duizenden video's van verkeer zien. Maar hier is de crux: in elke video die je hem laat zien, zijn er altijd precies twee auto's en één voetganger.
Nu zet je de robot op een echte weg waar drie auto's en twee voetgangers zijn. De robot raakt in paniek. Hij heeft deze specifieke combinatie nog nooit gezien. Hij weet niet of de derde auto moet stoppen of doorrijden.
Dit is het probleem dat het artikel aanpakt. Het vraagt zich af: Hoe kunnen we een AI bouwen die de regels begrijpt van hoe dingen met elkaar interageren, zodat deze nieuwe, ongeziene combinaties van objecten kan afhandelen zonder opnieuw getraind te hoeven worden?
De auteurs noemen hun oplossing Relational Structural Causal Models (RSCMs). Hier is een uitsplitsing van wat ze hebben gedaan, met behulp van eenvoudige analogieën.
1. Het Probleem: Het "Recept" versus de "Ingrediënten"
De meeste AI-modellen van nu zijn als een chef-kok die een recept heeft uit het hoofd geleerd voor een salade met precies drie tomaten en twee komkommers. Als je hem een salade geeft met vier tomaten en één komkommer, raakt hij in de war. Hij begrijpt de logica van de salade niet; hij heeft alleen de specifieke lijst met ingrediënten uit zijn hoofd geleerd.
In de echte wereld (zoals in het verkeer, de biologie of sociale netwerken) verandert het aantal objecten constant.
- Verkeer: Soms zijn er 2 auto's, soms 10. Soms staat een voetganger voor Auto A, soms voor Auto B.
- Het Doel: We hebben een AI nodig die het "recept" leert (de causale regels), niet alleen de specifieke ingrediënten. Het moet weten: "Als een rood licht een auto aanstuurt, stopt de auto," ongeacht of er één auto of honderd auto's zijn.
2. De Oplossing: Het "Universele Regelboek"
De auteurs creëerden een nieuw type model genaamd een Relational Structural Causal Model (RSCM).
Zie een RSCM niet als een lijst met specifieke feiten, maar als een Universeel Regelboek.
- In plaats van te zeggen "Auto 1 stopt als Licht 1 rood is," zegt het regelboek: "Elke" auto stopt als "elk" licht dat hem aanstuurt rood is.
- Het gaat ook over relaties: "Een auto stopt als elke voetganger in zijn pad oversteekt."
Dit stelt de AI in staat om hetzelfde regelboek toe te passen op een scène met 2 auto's en op een scène met 50 auto's. De AI hoeft niet elke mogelijke combinatie te zien om te weten wat hij moet doen.
3. De Grote Ontdekking: Je kunt niet zomaar "Gokken"
Het artikel maakt een zeer belangrijke, enigszins angstaanjagende ontdekking. Ze hebben wiskundig bewezen dat je niet simpelweg naar data uit één set scènes kunt kijken en automatisch kunt afleiden wat er in een totaal nieuwe scène gebeurt.
De Analogie:
Stel je een machine voor die sandwiches maakt.
- Scène A: Je ziet de machine alleen maar sandwiches maken met één plak kaas.
- Scène B: Je wilt weten wat er gebeurt als je twee plakken kaas erin doet.
De auteurs bewezen dat je, zonder de interne mechanisme (de causale graaf) te kennen, de uitkomst van Scène B niet kunt raden door alleen naar Scène A te kijken.
- Misschien voegt de machine kaas lineair toe (2 plakken = dubbele smaak).
- Misschien heeft de machine een limiet (2 plakken = hij loopt vast).
- Misschien negeert de machine de tweede plak volledig.
Als je alleen de machine ziet maken met één plak kaas, heb je geen enkele manier om te weten welke van deze drie regels waar is. Je moet de structuur van de machine (de causale graaf) kennen om die voorspelling te doen.
4. De Fix: De Kaart Tekenen
Om dit "gokprobleem" op te lossen, zeggen de auteurs dat we een Kaart van Relaties (een Relational Causal Graph) nodig hebben.
Deze kaart vertelt de AI:
- "Signalen besturen Voetgangers."
- "Voetgangers in het pad van een auto beïnvloeden de Auto."
- "Signalen beïnvloeden Auto's niet direct, tenzij ze hen aansturen."
Zodra de AI deze kaart heeft, kan hij een speciale wiskundige tool gebruiken (een "identificatiecriterium") om te bepalen of hij een vraag over een nieuwe scène kan beantwoorden.
- Als de kaart "Ja" zegt: Kan de AI de uitkomst van de nieuwe scène met vertrouwen voorspellen met behulp van data uit de oude scènes.
- Als de kaart "Nee" zegt: Weet de AI dat hij niet genoeg informatie heeft en dat hij niet moet gokken.
5. De "Neurale" Motor
Ten slotte bouwden de auteurs een computerprogramma (een Neuraal Netwerk) dat dit Regelboek en deze Kaart gebruikt. Ze noemen dit een Relational Neural Causal Model.
Ze testten dit op gesimuleerde verkeersscènes.
- Ze trainden de AI op scènes met specifieke aantallen auto's en voetgangers.
- Ze vroegen de AI om te voorspellen wat er zou gebeuren in scènes met andere aantallen auto's en voetgangers.
Het Resultaat:
Het nieuwe model was veel beter in het voorspellen van de ongeziene scènes dan de standaard AI-modellen. Zelfs toen de standaardmodellen direct op de "ongeziene" scènes werden getraind, presteerde het nieuwe model (getraind op andere scènes maar met de juiste regels) vaak even goed of zelfs beter.
Samenvatting
- Het Probleem: AI heeft moeite wanneer het aantal objecten of hun arrangement verandert (bijv. 2 auto's vs. 10 auto's).
- Het Inzicht: Je kunt de regels voor nieuwe combinaties niet leren door alleen naar oude data te kijken; je hebt de onderliggende causale structuur nodig.
- Het Middel: Ze creëerden een "Regelboek" (RSCM) en een "Kaart" (Causale Graaf) die vertelt hoe objecten met elkaar interageren.
- Het Bewijs: Ze toonden wiskundig aan wanneer je scenario's wel en niet kunt voorspellen, en bouwden een neuraal netwerk dat deze regels succesvol gebruikt om te generaliseren naar ongeziene verkeersscènes.
Kortom, ze gaven AI een manier om de logica van relaties te begrijpen in plaats van alleen maar lijsten met objecten te memoriseren, waardoor het de rommelige, veranderende complexiteit van de echte wereld kan aan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.