تُعتبر عملية الاكتشاف السببي من البيانات الملاحظة من أكثر التحديات تعقيدًا في مجال الذكاء الاصطناعي. تتطلب هذه العملية استعادة الهياكل الموجهة والتعامل مع التداخلات الخفية دون الحاجة إلى تدخلات تجريبية. هنا يأتي دور نموذج FoundCause، الذي يمثل طفرة في هذا المجال.

يتسم FoundCause بكونه نموذجًا مدعومًا بالذكاء الاصطناعي مُدربًا بالكامل على بيانات صناعية، حيث يُمكنه تحويل مجموعات البيانات مباشرة إلى رسوم بيانية سببية في خطوة واحدة. ومن خلال التعلم من مجموعات واسعة من نماذج الأسباب الهيكلية المُحاكية، يتمكن FoundCause من التقاط أنماط إحصائية قابلة للنقل تتجاوز البيانات الفردية.

يعتمد تصميم النموذج على عدة انحيازات استنتاجية رئيسية. فهو يستخدم مُشفّرًا تحويليًا مستقلًا عن الترتيب مع اهتمام متبادل بين العينات والمتغيرات، مما يمكّنه من نمذجة الاعتماد المتبادل عبر المتغيرات وتوزيعاتها. كما يتم حقن ميزات إحصائية ثنائية تستند إلى مقاييس عدم التماثل التقليدية عبر اهتمام مشروط بالإحصائيات، مما يوجه النموذج نحو الإشارات السببية المعروفة.

علاوة على ذلك، يتضمن النموذج مُفككًا مُعتمدًا يفصل بين وجود الحواف واتجاهها، بينما يمكّن جزء التحسين الهرمي من التفكير في أنماط سببية أعلى مثل السلاسل والمجمعات. ويعتمد نموذج FoundCause أيضًا على وحدة تخصيص تفاعلية تستند إلى رموز كامنة قابلة للتعلم، مما يُمكّن النموذج من معالجة الأسباب المشتركة الخفية بكفاءة.

وتعتبر إنجازاته مثيرة للإعجاب، حيث يتفوق FoundCause على 11 طريقة تقليدية غير مدعومة (مثل PC، GES، والأنماط NOTEARS) و4 طرق اكتشاف سببية مدعومة على 15 مجموعة بيانات حقيقية، مُحققة تحسينًا بنسبة 9.6% في مقياس $F_1$، و1.2% في AUROC، وتقليص بمقدار 18.9% في مسافة هامينغ الهيكلية مقارنة بأقوى الأساليب غير المدعومة، مع تنفيذ الاستدلال في خطوة واحدة فقط.

يعتبر FoundCause الإنجاز الأول من نوعه الذي يعالج النماذج السببية مع أخذ مشكلة التداخل الخفي بعين الاعتبار. ما رأيكم في هذا التطور الثوري؟ شاركونا آرائكم في التعليقات.