Choosing with unknown causal information: Action-outcome probabilities for decision making can be grounded in causal models

यहाँ मैउरिसियो गोंजालेज सोटो और अन्य द्वारा लिखित शोध पत्र "Choosing with unknown causal information: Action-outcome probabilities for decision making can be grounded in causal models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र निर्णय सिद्धांत (decision theory) में एक मौलिक अंतराल को संबोधित करता है जो क्रिया-परिणाम संभावनाओं (action-outcome probabilities) के मूल से संबंधित है।

• संदर्भ: शास्त्रीय निर्णय सिद्धांत (वॉन न्यूमैन-मॉर्गनस्टर्न और सावेज) तर्कसंगत विकल्प के लिए एक औपचारिक मानदंड प्रदान करता है: अपेक्षित उपयोगिता का अधिकतमकरण (Maximization of Expected Utility - MEU)। हालाँकि, ये रूपरेखाएँ केवल साहचर्य (associative/probabilistic) जानकारी पर निर्भर करती हैं और यह निर्दिष्ट नहीं करतीं कि उपयोग की जाने वाली संभावनाओं का स्रोत क्या है।
• अंतराल: मनुष्य स्वाभाविक रूप से कारण संबंधी तर्क (causal reasoning) में संलग्न होते हैं (किसी घटना को देखने और उसे कारण बनकर उत्पन्न करने के बीच अंतर करना), जबकि मानक निर्णय सिद्धांत अक्सर संभावनाओं को केवल सांख्यिकीय साहचर्य के रूप में मानता है।
• चुनौती:
  1. जब कारण संबंधी जानकारी ज्ञात हो (जो जूडिया पर्ल द्वारा पहले ही संबोधित किया जा चुका है), तो निर्णय लेने को कैसे औपचारिक रूप दिया जाए।
  2. जब एजेंट को नियंत्रित करने वाला कारण तंत्र (causal mechanism) अज्ञात हो, तो निर्णय लेने को कैसे औपचारिक रूप दिया जाए।
  3. अपूर्ण कारण ज्ञान के मामलों में, MEU के लिए आवश्यक संभावनाओं को केवल अवलोकन संबंधी डेटा के बजाय कारण मॉडलों (causal models) में कैसे स्थापित किया जाए।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

लेखक शास्त्रीय निर्णय सिद्धांत (Classical Decision Theory) और कारण अनुमान (Causal Inference) (विशेष रूप से पर्ल के कॉज़ल ग्राफिकल मॉडल्स) के बीच एक सेतु का निर्माण करते हैं।

A. मौलिक परिभाषाएँ

• कारण वातावरण (Causal Environment): इसे एक अनिश्चित वातावरण $(\Omega, A, C, E)$ के रूप में परिभाषित किया गया है, जिसे एक कॉज़ल ग्राफिकल मॉडल (CGM) $G$ के साथ विस्तारित किया गया है। CGM कार्यों ($A$) और परिणामों ($C$) के साथ-साथ अन्य पर्यावरणीय चरों के बीच कारण संबंधों को कूटबद्ध करता है।
• हस्तक्षेप ($do(\cdot)$): यह वह मुख्य तंत्र है जो कारण (causal) और साहचर्य (associative) मॉडलों के बीच अंतर करता है। एक क्रिया $a$ को एक हस्तक्षेप $do(a)$ के रूप में मॉडल किया जाता है, जो एक चर के मान को स्थिर करके और उस नोड में आने वाले किनारों (edges) को हटाकर चरों के संयुक्त वितरण को संशोधित करता है।
• कारण निर्णय समस्या (Causal Decision Problem - CDP): एक टुपल $(\Omega, A, G, E, C, \succeq)$, जहाँ निर्णय लेने वाला कारण मॉडल के आधार पर उपयोगिता को अधिकतम करने के लिए एक क्रिया चुनता है।

B. सैद्धांतिक दृष्टिकोण

शोध पत्र दो मुख्य चरणों में आगे बढ़ता है:

1. ज्ञात कारण जानकारी का अवलोकन: यह पर्ल (2009) के इस परिणाम को स्वीकार करता है कि एक तर्कसंगत एजेंट जिसके पास एक ज्ञात कारण मॉडल $G$ है, वह क्रिया $a^*$ चुनने के लिए $a^*$ को अधिकतम करता है जहाँ $\sum P_G(c | do(a))u(c)$।
2. अज्ञात कारण जानकारी तक विस्तार: मुख्य पद्धतिगत योगदान अज्ञात कारण मॉडल वाले परिदृश्यों में इस सिद्धांत को विस्तारित करना है।
   • परिकल्पना: एक तर्कसंगत एजेंट जिसके पास अज्ञात कारण संरचना है, वह संभावित कारण संरचनाओं ($\mathcal{F}$) के एक परिवार के बारे में व्यक्तिगत विश्वास (subjective beliefs) रखता है।
   • तंत्र: एजेंट प्रत्येक संभावित कारण संरचना $g \in \mathcal{F}$ को संभावित सत्य के रूप में मानता है, $do$ ऑपरेटर का उपयोग करके उस संरचना के भीतर अपेक्षित उपयोगिता की गणना करता है, और फिर इन उपयोगिताओं को उन संरचनाओं के लिए सौंपी गई संभावना के भारित (weighted) आधार पर एकत्रित करता है।

3. मुख्य योगदान (Main Contributions)

A. प्रमेय 4.2: अज्ञात कारण मॉडलों के साथ निर्णय लेना

इस शोध पत्र का प्राथमिक सैद्धांतिक योगदान प्रमेय 4.2 (Theorem 4.2) है, जो अज्ञात कारण जानकारी के तहत तर्कसंगत निर्णय लेने के लिए एक प्रतिनिधित्व प्रमेय प्रदान करता है।

• कथन: एक परिमित, सीमित कारण निर्णय समस्या में एक प्राथमिकता संबंध $\succeq$ कार्यों पर तब तर्कसंगत होता है यदि और केवल यदि निम्नलिखित मौजूद हो:

  1. एक उपयोगिता फलन $u: C \to \mathbb{R}$।
  2. गैर-रिक्त कारण ग्राफिकल मॉडलों के एक परिवार $\mathcal{F}$ पर एक संभाव्यता वितरण $P_C$।

• निर्णय नियम: एजेंट क्रिया $a$ को $b$ के ऊपर तब चुनता है जब और केवल तभी:
  $$\sum_{c \in C} u(c) \left( \sum_{g \in \mathcal{F}} P_g(c | do(a)) P_C(g) \right) \geq \sum_{c \in C} u(c) \left( \sum_{g \in \mathcal{F}} P_g(c | do(b)) P_C(g) \right)$$
  जहाँ:

  • $P_C(g)$ एजेंट का व्यक्तिगत विश्वास है कि कारण संरचना $g$ वास्तविक मॉडल है।
  • $P_g(c | do(a))$ विशिष्ट कारण मॉडल $g$ के भीतर हस्तक्षेप $do(a)$दिए जाने पर परिणाम$c$ की संभावना है।

• महत्व: यह सिद्ध करता है कि अपेक्षित उपयोगिता की गणना में उपयोग की जाने वाली क्रिया-परिणाम संभावनाओं को अज्ञात कारण तंत्रों के बावजूद कारण मॉडलों में स्थापित किया जा सकता है। यहाँ उपयोग की जाने वाली "संभावना" कारण संरचनाओं पर एक मिश्रित वितरण (mixture distribution) है।

B. कारण नैश इक्विलिब्रियम की परिभाषा (Definition of Causal Nash Equilibrium)

लेखक गेम थ्योरी में применять करने के लिए प्रमेय 4.2 का उपयोग करते हुए एक कारण नैश इक्विलिब्रियम (Causal Nash Equilibrium) को परिभाषित करते हैं।

• संदर्भ: एक बेयस रणनीतिक खेल (Bayesian strategic game) में, खिलाड़ियों के पास पर्यावरण को नियंत्रित करने वाले वास्तविक कारण मॉडल $\omega$ के बारे में अपूर्ण जानकारी होती है।
• परिभाषा: एक क्रिया प्रोफाइल $a^*$ एक कारण नैश इक्विलिब्रियम है यदि कोई खिलाड़ी $i$ अपनी क्रिया को एकतरफा बदलकर अपनी कारण अपेक्षित उपयोगिता ($u^C_i$) में सुधार नहीं कर सकता, यदि वह कारण संरचना के बारे में अपने विश्वास और दूसरों की क्रियाओं को ध्यान में रखे।
• सूत्र:
  $$u^C_i(a) = \sum_{c \in C} u_i(c) \sum_{\omega \in \Omega} P^\omega_i(c | do(a_i), a_{-i}) P_i(\omega)$$
  यह सूत्रीकरण स्पष्ट रूप से $do$ऑपरेटर को एकीकृत करता है और इस प्रकार मानक नैश इक्विलिब्रियम से भिन्न है, जो सशर्त संभावनाओं$P(c | a_i, a_{-i})$ पर आधारित होते हैं।

4. परिणाम (Results)

1. औपचारिक आधार (Formal Grounding): शोध पत्र सफलतापूर्वक प्रदर्शित करता है कि अपेक्षित उपयोगिता के सिद्धांत के लिए आवश्यक संभावनाओं को कारण मॉडलों से प्राप्त किया जा सकता है, जिससे इन संभावनाओं के "मूल" से संबंधित बहस का समाधान होता है।
2. सामान्यीकरण (Generalization): यह परिणाम ज्ञात कारण मॉडलों के लिए पर्ल के मानदंड को अधिक यथार्थवादी परिदृश्य (जहाँ कारण तंत्र अज्ञात हैं) तक सामान्यीकृत करता है।
3. संगणकीय व्यवहार्यता (Computational Feasibility): यह ढांचा एक संगणनात्मक रूप से लागू करने योग्य मानदंड प्रदान करता है। एक एजेंट कारण संरचनाओं पर एक वितरण सीख सकता है (जैसे, संरचना सीखने वाले एल्गोरिदम के माध्यम से) और इष्टतम निर्णय लेने के लिए व्युत्पन्न सूत्र का उपयोग कर सकता है।
4. गेम-थ्योरेटिक विस्तार: यह शोध पत्र स्थापित करता है कि गेम-थ्योरेटिक अवधारणाओं जैसे नैश इक्विलिब्रियम को उन वातावरणों में कठोरता से विस्तारित किया जा सकता है जहाँ एजेंट साहचर्य के बजाय कारण तर्क में संलग्न होते हैं।

5. महत्व और निहितार्थ (Significance and Implications)

• AI और दर्शन को जोड़ना: यह कार्य कारण निर्णय सिद्धांत (CDT) और साक्ष्य निर्णय सिद्धांत (EDT) के बीच दार्शनिक बहस को व्यावहारिक मशीन लर्निंग और AI निर्णय लेने से जोड़ता है। यह एक गणितीय औचित्य प्रदान करता है कि एजेंटों को कारण तर्क का उपयोग क्यों करना चाहिए।
• वितरण संबंधी बदलावों के प्रति मजबूती (Robustness to Distributional Shifts): केवल सहसंबंधों के बजाय कारण तंत्रों (हस्तक्षेपों) में निर्णयों को स्थापित करके, यह ढांचा वितरण संबंधी बदलावों (distributional shifts) के प्रति सैद्धांतिक रूप से अधिक मजबूत है, जहाँ शुद्ध साहचर्य मॉडल विफल हो जाते हैं।
• मानव-केंद्रित AI: चूंकि मनुष्य स्वाभाविक रूप से कारण तर्क का उपयोग करते हैं (और शुद्ध संभाव्यता संबंधी जानकारी के बजाय कारण स्पष्टीकरणों को प्राथमिकता देते हैं), यह ढांचा अधिक "मानव-अनुकूल" तर्कसंगत AI एजेंटों को डिजाइन करने के लिए एक आधार प्रदान करता है।
• रणनीतिक संपर्क: 'कारण नैश इक्विलिब्रियम' का परिचय उन आर्थिक और बहु-एजेंट प्रणालियों में रणनीतिक अंतःक्रियाओं का विश्लेषण करने के नए मार्ग खोलता है जहाँ अंतर्निहित कारण गतिशीलता अनिश्चित होती है।

निष्कर्ष

यह शोध पत्र तर्क देता है कि अनिश्चितता के तहत तर्कसंगत निर्णय लेना मौलिक रूप से एक कारण प्रक्रिया है। अपेक्षित उपयोगिता के सिद्धांत को अज्ञात कारण मॉडलों के वितरण तक विस्तारित करके, लेखक यह सुनिश्चित करते हैं कि क्रिया-परिणाम संभावनाएँ केवल सांख्यिकीय साहचर्य के बजाय वातावरण की संरचनात्मक वास्तविकता में निहित हों।