في السنوات الأخيرة، أصبحت أساليب اكتشاف العلاقات السببية (Causal Discovery) محط اهتمام كبير، خصوصًا مع تزايد الحاجة لتطوير نماذج تعالج البيانات الموزعة بشكل آمن وفعّال. تقليديًا، تعتمد العديد من هذه الأساليب على استعادة رسوم بيانية موجهة جزئيًا من البيانات المراقبة. ولكن ماذا يحدث عندما تكون البيانات موزعة بين عدة عملاء، مثل المستشفيات أو المنظمات المختلفة، وتكون التدخلات غير معروفة؟

في دراسة حديثة، تم طرح خوارزمية مبتكرة تُدعى I-PERI، وهي خطوة مهمة في توسيع نطاق اكتشاف العلاقات السببية إلى بيئات مركبة مثل البيئات الفيدرالية. عوضًا عن الافتراضات التقليدية التي تعتبر أن جميع العملاء يستخدمون نفس النموذج السببي، تتعامل I-PERI مع التحديات الناجمة عن السياسات المختلفة لكل عميل، مما ينتج عنه تدخلات غير متجانسة وغير معروفة.

تبدأ خوارزمية I-PERI بتعافي الرسوم البيانية في شكل CPDAG (Causal Partially Directed Acyclic Graph) من اتحاد الرسوم البيانية للعملاء، ثم تركز على توجيه الحواف الإضافية من خلال استغلال الفروقات الهيكلية التي تسببها التدخلات المختلفة بين العملاء. هذا النهج لا يساهم فقط في تحسين دقة الاستنتاجات السببية، بل يعزز أيضًا الخصوصية من خلال ضمان عدم تبادل البيانات الحساسة بين العملاء.

تتضمن الدراسة ضمانات نظرية حول التقارب وخصائص المحافظة على الخصوصية للخوارزمية، بالإضافة إلى تقييمات تجريبية على بيانات صناعية توضح فعالية طريقة I-PERI.

من الواضح أن هذا البحث يمثل خطوة كبيرة نحو تحسين طرق اكتشاف العلاقات السببية في ظل الظروف الواقعية، مما يعد بمستقبل واعد لـ الذكاء الاصطناعي (AI) والممارسات العملية المعتمدة على البيانات بصورتها الذكية.