МЕТОД СЕМАНТИЧНОЇ ПРЕФІЛЬТРАЦІЇ ПРИЧИННО-НАСЛІДКОВИХ ЗВ’ЯЗКІВ У ВИСОКОВИМІРНИХ МЕРЕЖАХ
DOI:
https://doi.org/10.32689/maup.it.2026.1.5Ключові слова:
причинно-наслідкові графи, семантична префільтрація, прокляття розмірності, великі мовні моделі, векторні представлення, адаптивне відсікання, відкриття причинностіАнотація
Об’єктом дослідження у статті є процес виявлення причинно-наслідкових зв’язків у мережах надвисокої розмірності. Фундаментальна проблема, що розв’язується, полягає в експоненційній обчислювальній складності класичних алгоритмів структурного навчання (так зване «прокляття розмірності») та їхній неспроможності ефективно працювати в умовах недостатності або повної відсутності історичних статистичних даних (проблема «холодного старту»). Суть отриманих результатів зводиться до розробки та емпіричної валідації нового методу семантичної префільтрації каузальних графів. Завдяки своїм концептуальним особливостям, а саме використанню гіпотези семантичної розрідженості, запропонований метод уможливлює значне звуження простору пошуку виключно на основі аналізу метаданих вузлів. Розроблений алгоритм обробки включає чотири послідовні етапи: автоматизоване формування розгорнутих текстових тлумачень для кожного вузла за допомогою сучасних мовних моделей, перетворення цих описів у щільні числові вектори, розрахунок матриці косинусної подібності для всього простору ознак та подальше застосування стратегії адаптивного відсікання. Отримані результати дозволили успішно подолати зазначену проблему, оскільки розроблений підхід відкидає до 88.3 відсотка нерелевантних пар вузлів для масивних графів, гарантовано зберігаючи при цьому понад 90 відсотків істинних причинних ребер. Висока ефективність алгоритму пояснюється тим, що у реальних багатовимірних системах каузальні зв’язки виникають переважно між семантично спорідненими сутностями, тоді як термінологічно віддалені вузли є ймовірно незалежними. Відповідно, моделі векторизації здатні кількісно оцінити цю семантичну близькість, відсіяти шум та природним шляхом масштабуватися пропорційно до збільшення розміру мережі. Запропонований підхід може бути використаний на практиці в сучасних високотехнологічних доменах як інструмент попередньої фільтрації простору пошуку перед застосуванням класичних алгоритмів оптимізації. Головними умовами його найбільш ефективного впровадження є необхідність роботи з графами високої щільності та наявність якісних семантичних метаданих у сценаріях, де збір великих обсягів історичних спостережень є технічно неможливим.
Посилання
A Fast PC Algorithm for High Dimensional Causal Discovery with Multi-Core PCs / T. D. Le et al. IEEE/ACM Transactions on Computational Biology and Bioinformatics. 2019. Vol. 16, no. 5. P. 1483–1495. DOI: 10.1109/TCBB.2016.2591526
A million variables and more: the Fast Greedy Equivalence Search algorithm for learning high-dimensional graphical causal models, with an application to functional magnetic resonance images / J. Ramsey et al. International Journal of Data Science and Analytics. 2017. Vol. 3, no. 2. P. 121–129. DOI: 10.1007/s41060-016-0032-z
Ancestral causal learning in high dimensions with a human genome-wide application / U. Noè et al. arXiv preprint arXiv:1910.05166. 2019. DOI: 10.48550/arXiv.1910.05166
Balashankar A., Subramanian L. Learning Faithful Representations of Causal Graphs. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics (ACL). 2021. P. 1002–1011. DOI: 10.18653/v1/2021.acl-long.81
Causal Parrots: Large Language Models May Talk Causality But Are Not Causal / M. Zečević et al. Transactions on Machine Learning Research. 2023. DOI: 10.48550/arXiv.2308.13067
Causal Reasoning and Large Language Models: Opening a New Frontier for Causality / E. Kıcıman et al. Transactions on Machine Learning Research. 2024. DOI: 10.48550/arXiv.2305.00050
Chickering, D. M. (2002). Optimal structure identification with greedy search. Journal of Machine Learning Research. Vol. 3. P. 507–554. DOI: 10.1162/153244303321897717
Detecting and quantifying causal associations in large nonlinear time series datasets / J. Runge et al. Science Advances. 2019. Vol. 5, no. 11. DOI: 10.1126/sciadv.aau4996
Efficient Causal Graph Discovery Using Large Language Models / T. Jiralerspong et al. arXiv preprint arXiv:2402.01207.2024. DOI: 10.48550/arXiv.2402.01207
Fan, J., Lv, J. (2008). Sure independence screening for ultrahigh dimensional feature space. Journal of the Royal Statistical Society: Series B (Statistical Methodology). Vol. 70, no. 5. P. 849–911. DOI: 10.1111/j.1467-9868.2008.00674.x
Feigenbaum, I., Khanna, S., Vempala, S. S. (2024). On the Unlikelihood of D-Separation. Proceedings of Machine Learning Research. Vol. 246. P. 1–17. DOI: 10.48550/arXiv.2303.05628
Guo, C., Luk, W. (2022). Accelerating Constraint-Based Causal Discovery by Shifting Speed Bottleneck. Proceedings of the 2022 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays (FPGA ‘22). P. 123–134. DOI: 10.1145/3490422.3502363
Hagedorn, C., Huegle, J. (2021). GPU-Accelerated Constraint-Based Causal Structure Learning for Discrete Data. SIAM International Conference on Data Mining (SDM). P. 37–45. DOI: 10.1137/1.9781611976700.5
IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data / T. Feng et al. arXiv preprint arXiv:2406.10526. 2024. DOI: 10.48550/arXiv.2406.10526
Darvariu, V.-A., Hailes, S., Musolesi, M. (2024). Large Language Models are Effective Priors for Causal Graph Discovery. arXiv preprint arXiv:2401.12838. DOI: 10.48550/arXiv.2401.12838
Large Language Models for Causal Discovery: Current Landscape and Future Directions / G. Wan et al. International Joint Conference on Artificial Intelligence (IJCAI). 2024. DOI: 10.24963/ijcai.2024/889
LLM-Driven Causal Discovery via Harmonized Prior / T. Ban et al. IEEE Transactions on Knowledge and Data Engineering. 2024. DOI: 10.1109/TKDE.2025.3353067
Magliacane, S., Claassen, T., Mooij, J. M. (2016). Ancestral Causal Inference. Advances in Neural Information Processing Systems. Vol. 29. P. 4473–4481. URL: https://papers.nips.cc/paper/6266-ancestral-causal-inference
Spirtes, P., Glymour, C., Scheines, R. (2000). Causation, Prediction, and Search. 2nd ed. Cambridge : MIT Press, 543 p. DOI: 10.7551/mitpress/1754.001.0001
Ultra-Scalable and Efficient Methods for Hybrid Observational and Experimental Local Causal Pathway Discovery / A. Statnikov et al. Journal of Machine Learning Research. 2015. Vol. 16. P. 3219–3267. URL: https://jmlr.org/papers/v16/statnikov15a.html
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
