Yapısal tedavilerin kontrastif temsilleri

Günlük kararlar için bu araştırma neden önemli

Hayatımızı etkileyen birçok seçim algoritmalar tarafından yönlendiriliyor: çevrimiçi hangi ürünleri gördüğümüz, hangi ilaçların test edildiği, hatta tıbbi tedavilerin nasıl değerlendirildiği. Bu sistemler sıklıkla yazılı bir inceleme, bir molekül veya bir ürün tanımı gibi karmaşık nesneleri her ayrıntısı eşit derecede önemliymiş gibi ele alır. Bu makale, böyle bir yaklaşımın nedensellik anlayışımızı sessizce çarpıtabileceğini gösteriyor ve algoritmaların sonuçları gerçekten yönlendirenleri —yüzeysel dikkat dağıtıcılar yerine— vurgulamasına yardımcı olan yeni bir yöntem sunuyor.

Biçemi özüyle karıştırma sorunu

Bilim insanları veya veri bilimciler bir “tedavinin” (örneğin bir reklamı göstermek, bir ürünü önermek veya bir ilacı reçete etmek) etkisini tahmin ederken genellikle tedavinin basit bir sayı veya kategori ile tanımlanabileceğini varsayarlar. Oysa gerçek dünyada tedaviler çoğunlukla zengin, yapısal nesnelerdir: tam metin bir inceleme, bir görsel veya karmaşık bir kimyasal yapı. Bu nesnelerin içinde farklı yönler gizlidir: bazıları sonuçları gerçekten etkiler (örneğin bir değerlendirmenin ne kadar olumlu olduğu), bazıları ise esasen nesnenin görünüşünü veya üslubunu değiştirir (örneğin yazı stili). Yazarlar, bu zengin tedavileri doğrudan standart nedensel modellere verirsek modellerin bu üslupsal ya da nedensel olmayan yönleri gerçek değişim sürücüleriyle karıştırabileceğini —tüm bariz karıştırıcıları dikkatle ölçmüş olsak bile— gösteriyor. Sonuç, gerçekte işe yarayanın önyargılı tahminleri.

Anlamlı sinyali dikkat dağıtan gürültüden ayırmak

Bunu ele almak için makale, tedavinin gerçekten sonucu etkileyen kısımları olan “nedensel” gizli faktörleri ile sonuçlarla ilişkili olsalar da aslında onları değiştirmeyen “nedensel olmayan” faktörleri ayırıyor. Bir ürün incelemesi için ton veya duygu satış üzerinde nedensel olabilir, oysa süslü ifadeler ve kelime seçimi olmayabilir. Bir ilaç molekülü için bazı yapısal özellikler semptom rahatlamasını sağlayabilir, diğerlerise tesadüfi olabilir. Ana fikir, gözlemlediğimiz tedavinin her iki tür faktörün karışımı olduğudur. Bir model bu karışımdan doğrudan öğrenirse, nedensel olmayan yönler arka plan değişkenlerinin yerine geçerek etki tahminlerini yanıltabilir. Yazarlar, önyargıyı önlemek için önce karmaşık tedaviyi yalnızca nedensel bilgiyi koruyan ve geri kalanını atayan yeni bir temsile dönüştürmek gerektiğini matematiksel olarak kanıtlıyorlar.

Kıyaslamalar yoluyla daha iyi temsiller öğrenmek

Yazarlar, bu daha temiz temsili otomatik olarak inşa etmek için bir kontrastif öğrenme yaklaşımı öneriyor. Her tedaviyi izole olarak ele almak yerine yöntem benzer ve farklı örnek çiftlerine bakıyor. Aynı bağlamda ortaya çıkan ve çok benzer sonuçlara yol açan iki tedavi, yüzeysel ayrıntıları farklı olsa bile aynı temel nedensel faktörleri paylaşıyormuş gibi değerlendirilir. Bu benzer çiftleri öğrenilmiş bir temsil uzayında birbirine yaklaştırıp, aynı bağlamı paylaşmalarına rağmen farklı sonuçlara yol açan çiftleri birbirinden uzaklaştırarak algoritma sonucu belirleyenleri korumaya ve yüzeysel varyasyonu görmezden gelmeye teşvik edilir. Uygun matematiksel varsayımlar altında yazarlar bu sürecin tedavinin tam olarak nedensel kısmını ortaya çıkardığını ve nedensel olmayan kısmı filtrelediğini, böylece tarafsız nedensel etki tahmini için uygun hale getirdiğini kanıtlıyorlar.

Kavramsal ve gerçek dünya ortamlarında fikri test etmek

Bu teorinin pratikte geçerli olup olmadığını görmek için yazarlar yöntemlerini üç tür veri üzerinde uyguluyor. Önce, tedavinin nedensel ve nedensel olmayan bileşenlerinin tasarım gereği bilindiği sentetik bir veri seti oluşturuyorlar. Bu, yöntemlerinin gürültü sonuçlara eklendiğinde bile nedensel olmayan parçaları gerçekten görmezden gelip gelemeyeceğini test etmelerini sağlıyor. Ardından tedavilerin kimyasal yapılar olduğu ve etkinlik gibi özelliklerle ilişkili sonuçların bulunduğu molekül verilerini ve çevrimiçi bir pazardaki ürünlerin yer aldığı bir mont öneri veri setini inceliyorlar. Bu çeşitli ortamlarda kontrastif modellerini standart nedensel modeller ve yapısal tedaviler için tasarlanmış güçlü yakın tarihli bir rakip ile karşılaştırıyorlar. Tüm yöntemler gözlemlenen veriye makul düzeyde uyum sağlayabilse de, yalnızca kontrastif yaklaşım tedavinin nedensel olmayan parçaları değiştirildiğinde kararlı kalıyor; bu da onun gerçekten nedensel sürücülere odaklanmayı öğrendiğini gösteriyor.

Daha akıllı ve adil sistemler için anlamı

Genel okuyucu için temel mesaj, verideki tüm ayrıntıların eşit yaratılmadığıdır. Alışveriş akışında ne gördüğünüzden hangi ilaç adaylarının ilerletildiğine kadar kararları yönlendiren sistemler, tahmin edici gibi görünen ancak gerçekten nedensel olmayan kalıplar tarafından yanıltılabilir. Bu makale, modelleri benzer durumları ve sonuçları kıyaslamayı öğreterek karmaşık tedavilerin gerçek değişim kollarına odaklanan temsillerini nasıl oluşturabileceğimizi gösteriyor. Bunun sonucunda "ne işe yarar"ın daha güvenilir tahminleri elde ediliyor; bu da daha iyi ürün önerilerine, daha verimli ilaç keşfine ve yüzeysel korelasyonlar yerine nedensellik hakkında düşünen daha güvenilir yapay zekâ sistemlerine yol açıyor.

Atıf: Corcoll, O., Vlontzos, A., O’Riordan, M. et al. Contrastive representations of structured treatments. npj Artif. Intell. 2, 49 (2026). https://doi.org/10.1038/s44387-026-00105-2

Anahtar kelimeler: nedensel çıkarım, temsil öğrenimi, kontrastif öğrenme, yüksek boyutlu tedaviler, makine öğrenimi