دیگر نیازی نیست برای ساده‌سازی مدل‌های علیِ پیچیده، فرض کنید هیچ چرخه‌ای در داده‌ها وجود ندارد. این تغییر پارادایم به پژوهشگران اجازه می‌دهد سیستم‌های پیچیده و چرخه‌ای را به ساختارهای علی ساده‌تر تبدیل کنند، بدون اینکه توانایی شناسایی اثرات علی را از دست بدهند.
انتزاع علی (Causal Abstraction) برای تبدیل داده‌های با ابعاد بالا به مدل‌های مدیریت‌پذیر با ابعاد پایین حیاتی است. طبق مستندات منتشر شده در arxiv.org در تاریخ ۱۲ مه ۲۰۲۶، محدودیت‌های پیشین که هر دو ساختار (ابعاد بالا و پایین) را مجبور به «بدون چرخه بودن» می‌کرد، اکنون برطرف شده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های استدلالی اشاره کردیم، حذف پیش‌فرض‌های سخت‌گیرانه در مدل‌سازی، گامی کلیدی برای نزدیک شدن به پیچیدگی‌های دنیای واقعی است.
این پژوهش بر مدل‌های خطی غیرگوسی (Linear Non-Gaussian یا LiNG) تمرکز دارد و نشان می‌دهد که می‌توان فرض بدون چرخه بودن در ابعاد بالا را کنار گذاشت و همچنان یک گراف جهت‌دار بدون چرخه (Directed Acyclic Graph یا DAG) در ابعاد پایین بازیابی کرد. یافته‌های فنی کلیدی عبارتند از:
- شناسایی‌پذیری (Identifiability): مدل‌های LiNG دارای چرخه، تا یک کلاس هم‌ارزی قابل شناسایی هستند و DAG ابعاد پایین به عنوان یک نماینده ناوردا و طبیعی از این کلاس عمل می‌کند.
- کارایی: این روش پیچیدگی یادگیری کلاس هم‌ارزی مشاهده‌ای را از زمان نمایی به زمان مکعبی (در بدترین حالت) کاهش می‌دهد.
- تأییدیه: نتایج نظری با استفاده از داده‌های مصنوعی و کدهای متن‌باز ارائه‌شده توسط فرانسیسکو مادالنو (Francisco Madaleno) تأیید شده‌اند.
به باور تحلیلگران، این پیشرفت فرضیات بنیادی این حوزه را تغییر می‌دهد؛ چرا که ثابت می‌کند داده‌های خام برای رسیدن به یک نقشه علی پاک و کم‌بعد، نیازی به بدون چرخه بودن ندارند. با انتقال از پیچیدگی نمایی به مکعبی، انتزاع علی برای مجموعه‌داده‌های عظیم که پیش‌تر از نظر ریاضی غیرقابل حل بودند، اکنون از نظر محاسباتی امکان‌پذیر شده است.
گام بعدی شما
- بررسی کدهای متن‌باز مادالنو برای تست محدوده‌های پیچیدگی نمونه در مجموعه‌داده‌های چرخه‌ای.
- جایگزینی مدل‌های علی سنتی با رویکرد LiNG در سیستم‌هایی که دارای بازخوردهای چرخه‌ای (Feedback Loops) هستند.
- مطالعه اثر این کاهش پیچیدگی بر سرعت همگرایی در مدل‌های استدلالی پیشرفته.
اما تأثیر این بهینه‌سازی بر سخت‌افزارهای استنتاجی و کاهش نیاز به حافظه در مقیاس صنعتی، بحثی است که در گزارش‌های آتی خواهیم پرداخت.
گفتگو