قانون جداسازی-d: گراف‌های جهت‌دار غیرمدور چگونه تمام منابع سوگیری علی را شناسایی و مسدود می‌کنند

در سال ۱۹۸۸، دانشمند علوم کامپیوتر، جودیا پرل (Judea Pearl)، یک الگوریتم گرافی را برای حل یک مشکل اساسی در هوش مصنوعی معرفی کرد: چگونه می‌توان تعیین کرد که آیا دو بخش از اطلاعات در یک شبکه پیچیده از احتمالات، مستقل از یکدیگر هستند یا خیر. او این الگوریتم را «جداسازی جهت‌دار» یا جداسازی-d (d-separation) نامید. این قانون که در کتاب ۵۵۲ صفحه‌ای او با عنوان «استدلال احتمالی در سیستم‌های هوشمند» منتشر شد، یک آزمون ریاضیاتی برای استقلال شرطی ارائه داد که به سیستم‌های اولیه هوش مصنوعی اجازه می‌داد اطلاعات نامطمئن را با کارایی بالا پردازش کنند. از آن زمان، این مفهوم بسیار فراتر از مرزهای علوم کامپیوتر رفته و در اپیدمیولوژی بالینی، اقتصاد و یادگیری ماشین ریشه دوانده است. امروزه، این قانون به عنوان استاندارد قطعی ریاضی برای شناسایی و مسدود کردن سوگیری‌های علی در داده‌های مشاهده‌ای شناخته می‌شود و نحوه طراحی مطالعات و تفسیر شواهد آماری توسط پژوهشگران را از اساس دگرگون کرده است.[5]

مشکلی که جداسازی-d حل می‌کند، هسته اصلی چالش استنتاج علی است: تمایز قائل شدن بین علت و معلول واقعی و همبستگی‌های کاذب. وقتی پژوهشگران داده‌های مشاهده‌ای را تحلیل می‌کنند - خواه در حال ارزیابی فاز ۳ یک کارآزمایی بالینی برای یک داروی جدید قلبی‌عروقی باشند یا در حال سنجش تاثیر اقتصادی افزایش ۲.۵ درصدی نرخ بهره - باید متغیرهای مخدوش‌کننده‌ای را که هم بر درمان و هم بر نتیجه تاثیر می‌گذارند، در نظر بگیرند. با این حال، کنترل کردن متغیرهای اشتباه می‌تواند ناخواسته سوگیری‌هایی ایجاد کند که از ابتدا وجود نداشته‌اند. گراف‌های جهت‌دار غیرمدور (DAGs) این روابط را با استفاده از گره‌هایی که نشان‌دهنده متغیرها هستند و یال‌های جهت‌داری که تاثیر علی را نشان می‌دهند، به تصویر می‌کشند. اما برای سیستم‌های دنیای واقعی که شامل ده‌ها متغیر به هم پیوسته هستند، بررسی چشمی به تنهایی کافی نیست و به یک رویکرد الگوریتمی رسمی نیاز است تا مشخص شود کدام متغیرها باید کنترل شوند.[1]

اینجاست که معیار جداسازی-d وارد عمل می‌شود. این معیار مجموعه‌ای از قوانین دقیق و الگوریتمی را ارائه می‌دهد تا مشخص کند آیا یک مسیر خاص بین یک مواجهه و یک پیامد «باز» است (یعنی ارتباط آماری را منتقل می‌کند) یا «مسدود» است (یعنی از ارتباط جلوگیری می‌کند). همان‌طور که در مجله تحقیقات یادگیری ماشین (Journal of Machine Learning Research) تعریف شده است، این معیار به عنوان «شرطی لازم و کافی برای سازگاری یک توزیع احتمال با یک ساختار علی» عمل می‌کند. اگر تمام مسیرهای غیرعلی بین دو متغیر توسط مجموعه خاصی از متغیرهای مشاهده‌شده مسدود شوند، آن دو متغیر هدف، از نظر d جدا شده‌اند. این بدان معناست که هرگونه ارتباط آماری باقی‌مانده که در مجموعه داده‌ها بین آن‌ها مشاهده می‌شود، کاملا علی بوده و از سوگیری انتخاب یا مخدوش‌شدگی در امان است.[4]

برای اعمال جداسازی-d، پژوهشگران باید ۳ الگوی ساختاری بنیادین را که هر مسیر علی در یک گراف جهت‌دار غیرمدور را تشکیل می‌دهند، ارزیابی کنند: زنجیره‌ها، دوراهی‌ها و برخوردکننده‌ها. یک زنجیره نشان‌دهنده توالی میانجی‌گری مستقیم است، جایی که متغیر الف باعث متغیر ب می‌شود و متغیر ب نیز به نوبه خود باعث متغیر پ می‌شود. یک دوراهی نشان‌دهنده یک علت مشترک یا یک مخدوش‌کننده سنتی است، جایی که متغیر ب هم باعث متغیر الف و هم باعث متغیر پ می‌شود. در نهایت، یک برخوردکننده نشان‌دهنده یک معلول مشترک است، جایی که هم متغیر الف و هم متغیر پ به طور مستقل باعث متغیر ب می‌شوند. هر شبکه پیچیده‌ای، هر چقدر هم که بزرگ باشد، می‌تواند به این ۳ بلوک سازنده اساسی تجزیه شود.[2]

قوانین مسدود کردن این مسیرها کاملا به ساختار زیربنایی آن‌ها بستگی دارد. برای زنجیره‌ها و دوراهی‌ها، مسیر به طور طبیعی باز است، به این معنی که اطلاعات آزادانه از طریق متغیر میانی جریان می‌یابد و یک ارتباط آماری بین نقاط انتهایی ایجاد می‌کند. برای مسدود کردن یک زنجیره یا یک دوراهی، پژوهشگر باید روی آن متغیر میانی شرطی‌سازی کند - یا آن را تعدیل کند. در تحقیقات بالینی کاربردی، این امر به معنای لایه‌بندی داده‌های بیماران یا گنجاندن متغیر مخدوش‌کننده به عنوان یک متغیر کمکی در یک مدل رگرسیون است. با ثابت نگه داشتن متغیر میانی، پژوهشگر پیوند کاذب را قطع کرده و جریان اطلاعات غیرعلی را با موفقیت مسدود می‌کند.[1]

با این حال، برخوردکننده‌ها دقیقا برعکس عمل می‌کنند و به عنوان موانع طبیعی در یک شبکه علی نقش‌آفرینی می‌کنند. یک برخوردکننده به طور طبیعی جریان اطلاعات بین ۲ متغیر والد خود را مسدود می‌کند. اگر متغیر الف و متغیر پ هر دو باعث متغیر ب شوند، تا زمانی که ب نادیده گرفته شود، الف و پ از نظر آماری مستقل باقی می‌مانند. اما اگر یک پژوهشگر روی برخوردکننده ب شرطی‌سازی کند - مثلا با محدود کردن یک مطالعه مشاهده‌ای ۱۰,۰۰۰ بیماری به افرادی که آن ویژگی یا علامت خاص را دارند - مسیر به اجبار باز می‌شود. این امر یک همبستگی کاذب ایجاد می‌کند که به عنوان سوگیری انتخاب یا سوگیری برخوردکننده شناخته می‌شود و به طور مصنوعی دو متغیری را که هیچ رابطه واقعی در دنیای بیرون ندارند، به هم پیوند می‌دهد.[3]

بنابراین، رویکرد اکتشافی بالینی برای جداسازی-d یک قانون باینری و سخت‌گیرانه را برای طراحی مطالعه دیکته می‌کند. همان‌طور که پژوهشگران در یک آموزش کاربردی منتشر شده در arXiv بیان می‌کنند، «یک مسیر بین مواجهه و پیامد باز است... اگر تمام برخوردکننده‌های موجود در مسیر تعدیل شوند و تمام غیربرخوردکننده‌ها تعدیل نشوند.» اگر پژوهشگری بخواهد اثر علی مستقیم یک مواجهه بر یک پیامد را جدا کند، باید مخدوش‌کننده‌ها را تعدیل کند در حالی که به شدت از هرگونه تعدیل برای برخوردکننده‌ها اجتناب می‌ورزد. تعدیل یک برخوردکننده فعالانه سوگیری ایجاد می‌کند؛ این یک واقعیت ریاضی است که رویه آماری سنتی مبنی بر کنترل کردن ساده تمام متغیرهای موجود در یک مجموعه داده را بی‌اعتبار می‌سازد.[3]

کارهای اخیر در زمینه یادگیری ماشین، این قوانین را فراتر از احتمالات و آمار سنتی فرمول‌بندی کرده است. مقاله سال ۲۰۲۴ مجله تحقیقات یادگیری ماشین نشان داد که جداسازی-d را می‌توان به صورت دسته‌ای با استفاده از نمودارهای رشته‌ای تعریف کرد و ثابت نمود که این معیار برای متغیرهای گسسته، پیوسته و گاوسی به یک اندازه صادق است. این فرمول‌بندی نشان می‌دهد که رویه بالینی تعدیل یک مخدوش‌کننده و عملیات الگوریتمی حاشیه‌سازی روی یک سیم شبکه، عملیات توپولوژیکی یکسانی هستند. این امر ثابت می‌کند که جداسازی-d صرفا یک دستورالعمل آماری نیست، بلکه یک ویژگی توپولوژیکی بنیادین در هر سیستم علی است که جریان اطلاعات را صرف‌نظر از چارچوب ریاضی خاص مورد استفاده، کنترل می‌کند.[4]

با وجود قطعیت ریاضی، الگوریتم جداسازی-d کاملا به دقت گراف علی زیربنایی ارائه‌شده توسط پژوهشگر وابسته است. این الگوریتم نمی‌تواند مخدوش‌کننده‌های اندازه‌گیری‌نشده‌ای را که به طور کامل از DAG حذف شده‌اند، تشخیص دهد؛ همچنین نمی‌تواند اختلافات تخصصی بر سر جهت واقعی یک پیکان بین دو متغیر را حل‌وفصل کند. اگر یک گراف ۱۵ گرهی با معکوس کردن تنها یک یال علی، سیستم بیولوژیکی یا اقتصادی دنیای واقعی را به اشتباه نشان دهد، قوانین جداسازی-d با اطمینان استراتژی تعدیل اشتباهی را تجویز خواهند کرد. این امر به نتیجه‌ای دقیق اما کاملا سوگیرانه منجر می‌شود و نشان می‌دهد که دقت ریاضی نمی‌تواند نقص در دانش تخصصی حوزه را جبران کند.[2]