⚡ electrical engineering

Causal Influences over Social Learning Networks

यह शोधपत्र एजेंटों की अंतःक्रियाओं के लिए टोपोलॉजी-निर्भर व्यंजक (topology-dependent expressions) व्युत्पन्न करके, प्रभावशाली एजेंटों को रैंक करने के लिए एक एल्गोरिदम प्रस्तावित करके, और अवलोकनात्मक डेटा से मॉडल मापदंडों को सीखने की एक विधि विकसित करके सामाजिक शिक्षण नेटवर्क के भीतर कारण प्रभावों (causal influences) की जांच करता है।

मूल लेखक: Mert Kayaalp, Ali H. Sayed

प्रकाशित 2026-05-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mert Kayaalp, Ali H. Sayed

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: वास्तव में प्रभाव कौन डालता है?

कल्पना कीजिए कि दोस्तों का एक बड़ा समूह शहर के सबसे अच्छे रेस्टोरेंट का पता लगाने की कोशिश कर रहा है। वे एक-दूसरे से बात करते हैं, अपनी राय साझा करते हैं, और अंततः, वे सभी एक ही जगह पर सहमत हो जाते हैं। लेकिन यहाँ पेचीदा हिस्सा यह है: वास्तव में किसने किसे मनाया?

वास्तविक दुनिया में, यह बताना कठिन है कि कौन "नेता" है और कौन बस भीड़ का अनुसरण कर रहा है। कभी-कभी, दो लोग इसलिए सहमत होते हैं क्योंकि दोनों ने तीसरे व्यक्ति (एक छिपे हुए कारण) से उस रेस्टोरेंट के बारे में सुना था, न कि इसलिए कि एक ने दूसरे को मनाया। कभी-कभी, व्यक्ति A व्यक्ति B को प्रभावित करता है, लेकिन व्यक्ति B भी वापस व्यक्ति A को प्रभावित करता है।

यह शोध पत्र एक विशिष्ट प्रश्न पूछता है: यदि हम जादू से एक व्यक्ति की राय को फ्रीज कर सकें और उन्हें कुछ अलग कहने के लिए मजबूर कर सकें, तो इससे समूह के बाकी लोगों की राय में कितना बदलाव आएगा?

लेखक इसे "कारण प्रभाव" (Causal Influence) कहते हैं। यह केवल इस बारे में नहीं है कि आपके कितने अनुयायी (followers) हैं (लोकप्रियता); यह इस बारे में है कि किसके पास वास्तव में समूह की सोच को बदलने की शक्ति है।

लोग सीखने के दो तरीके (मॉडल)

इसका उत्तर देने के लिए, लेखकों ने लोग एक-दूसरे से कैसे सीखते हैं, इसके लिए दो अलग-अलग "नियम पुस्तिकाएं" उपयोग कीं। इन्हें आप दो अलग-अलग तरीकों के रूप में समझ सकते हैं जिनसे एक ग्रुप चैट काम करती है:

"पुराना स्कूल" चैट (नॉन-बेयसियन लर्निंग):
कल्पना कीजिए कि एक ऐसा समूह है जहाँ हर कोई अपने दोस्तों की सुनता है, अपनी राय अपडेट करता है, और फिर रुक जाता है। वे कल जो सुना था उसे भूलते नहीं हैं। एक बार जब वे सच जान लेते हैं, तो वे उसी पर टिके रहते हैं।

पेपर का निष्कर्ष: इस परिदृश्य में, यदि आप किसी को झूठ मानने के लिए मजबूर करते हैं, तो वह झूठ नेटवर्क में फैल जाता है। पेपर एक गणितीय सूत्र प्रदान करता है जो सटीक रूप से गणना करता है कि उस झूठ ने समूह के अंतिम विश्वास को कितना बदल दिया।

"आधुनिक" चैट (एडेप्टिव लर्निंग):
कल्पना कीजिए कि एक ऐसा समूह है जहाँ लोग लगातार अपने विचार अपडेट कर रहे हैं। वे आज जो सुना है उसे पिछले सप्ताह सुनी गई बातों की तुलना में अधिक महत्व देते हैं। वे हमेशा अनुकूलित (adapt) हो रहे होते हैं।

पेपर का निष्कर्ष: यह शेयर बाजार या ट्रेंडिंग समाचारों जैसी चीजों के लिए अधिक वास्तविक है। यहाँ, "भूलने" का कारक मायने रखता है। यदि आप किसी को झूठ मानने के लिए मजबूर करते हैं, तो समूह अंततः उसे भूल सकता है यदि वे लगातार नई, विरोधाभासी जानकारी सुनते रहते हैं। पेपर गणना करता है कि प्रभाव मिटने से पहले वह कितना मजबूत है।

"जादुई हस्तक्षेप" (प्रयोग)

आप वास्तविक प्रयोग चलाए बिना प्रभाव को कैसे माप सकते हैं (जो वास्तविक जीवन में असंभव है)?

लेखक एक "क्या होगा अगर" (What If) परिदृश्य का उपयोग करते हैं। वे कल्पना करते हैं कि एक वैज्ञानिक सिमुलेशन में हाथ डालकर कहता है: "ठीक है, एजेंट M, अब से, तुम X में विश्वास करोगे, चाहे तुम्हारे दोस्त तुम्हें कुछ भी बताएं।"

फिर वे बाकी नेटवर्क को देखते हैं।

यदि बाकी नेटवर्क अपना मन बदल लेता है, तो एजेंट M अत्यधिक प्रभावशाली है।
यदि बाकी नेटवर्क एजेंट M को अनदेखा कर देता है और अपने स्वयं के विश्वासों पर टिका रहता है, तो एजेंट M का प्रभाव कम है।

यह केवल यह गिनने से अलग है कि एजेंट M कितने लोगों से बात करता है। एजेंट M 100 लोगों से बात कर सकता है, लेकिन यदि वे 100 लोग "जिद्दी" (उनके पास अपनी मजबूत जानकारी है) हैं, तो एजेंट M उनका मन नहीं बदल पाएगा।

"CausalRank" एल्गोरिदम: असली नेताओं को खोजना

शोध पत्र एक नया तरीका पेश करता है जिससे लोगों को रैंक किया जाता है, जिसे CausalRank कहा जाता है।

पुराना तरीका (लोकप्रियता): "किसके सबसे ज्यादा दोस्त हैं?" या "कौन सबसे अधिक कनेक्शनों के बीच में है?" (यह इस तरह है जैसे यह गिनना कि कितने लोग आपको फॉलो करते हैं)।
नया तरीका (CाusalRank): "कौन वास्तव में सबसे महत्वपूर्ण लोगों का मन बदल सकता है?"

उपमा:
"टेलीफोन" (Telephone) के खेल की कल्पना करें।

लोकप्रियता पूछती है: "कौन सबसे अधिक लोगों से बात कर रहा है?"
CausalRank पूछती है: "यदि मैं व्यक्ति A को एक रहस्य फुसफुसाता हूँ, तो क्या वह व्यक्ति Z तक पहुँचता है? और क्या व्यक्ति Z को व्यक्ति A की परवाह है?"

लेखकों ने पाया कि CausalRank असली प्रभावशाली लोगों को पहचानने में बहुत बेहतर है।

बॉट अटैक टेस्ट: उन्होंने एक लोकप्रिय व्यक्ति में "नकली अनुयायी" (बॉट्स) जोड़कर इसका परीक्षण किया।
- लोकप्रियता मेट्रिक्स पागल हो गए: वह व्यक्ति बहुत प्रभावशाली दिखने लगा क्योंकि उसके हजारों नए अनुयायी थे।
- CausalRank शांत रहा: इसने महसूस किया कि ये नए अनुयायी "मूर्ख" (उनके पास अपनी जानकारी नहीं थी) थे और वास्तव में नेटवर्क के व्यवहार को नहीं बदलते थे। उस लोकप्रिय व्यक्ति की रैंक में ज्यादा बदलाव नहीं आया।

यह साबित करता है कि CausalRank मजबूत (robust) है। इसे नकली अनुयायी खरीदकर धोखा नहीं दिया जा सकता।

वास्तविक डेटा से सीखना (डिटेक्टिव वर्क)

वास्तविक दुनिया में, हमारे पास लोगों को बदलने के लिए कोई "जादुई छड़ी" नहीं है। हमारे पास केवल अवलोकन डेटा (लोग वास्तव में क्या कह रहे थे) होता है।

शोध पत्र एक डिटेक्टिव टूल प्रस्तावित करता है जिसे ग्राफ कॉज़ैलिटी लर्निंग (GCL) कहा जाता है।

इनपुट: यह नेटवर्क मैप (कौन किसे फॉलो करता है) और पोस्ट के इतिहास (लोगों ने समय के साथ क्या कहा) को देखता है।
ट्रिक: यह छिपे हुए कारकों को रिवर्स-इंजीनियर करने के लिए गणित का उपयोग करता है। यह पता लगाता है कि प्रत्येक व्यक्ति अपने दोस्तों पर कितना भरोसा करता है बनाम अपनी आँखों पर, और उनके पास वास्तव में कितनी जानकारी है।
परिणाम: प्रयोग किए बिना भी, एल्गोरिदम अनुमान लगा सकता है कि वास्तव में कौन प्रभावशाली है।

उन्होंने क्रिप्टोकरेंसी के बारे में वास्तविक ट्विटर डेटा पर इसका परीक्षण किया। उन्होंने पाया कि एलन मस्क (यूजर 1) वास्तव में सबसे प्रभावशाली थे, जो सही लगता है। हालांकि, उन्होंने यह भी पाया कि कुछ लोग जो मस्क (यूजर 2) द्वारा फॉलो किए जाने के कारण महत्वपूर्ण दिख रहे थे, वास्तव में समूह पर बहुत कम कारण प्रभाव रखते थे। वे केवल प्रतिध्वनि (echoing) कर रहे थे, नेतृत्व नहीं।

मुख्य निष्कर्षों का सारांश

सहसंबंध $\neq$ कारण (Correlation $\neq$ Causation): सिर्फ इसलिए कि दो लोग सहमत हैं, इसका मतलब यह नहीं है कि एक ने दूसरे को प्रभावित किया। वे शायद केवल एक ही समाचार स्रोत को सुन रहे हैं। यह शोध पत्र दोनों को अलग करता है।
प्रभाव जुड़ाव के बारे में है, न कि कनेक्शन के बारे में: जुड़ाव होना आपको प्रभावशाली नहीं बनाता यदि आप उनका मन नहीं बदल सकते।
"डोज़-रिस्पॉन्स" कर्व: पेपर दिखाता है कि प्रभाव केवल "ऑन" या "ऑफ" नहीं है। यह इस पर निर्भर करता है कि मजबूर विश्वास कितना गलत है। एक छोटी सी हलचल कुछ नहीं करेगी; एक बड़ा झूठ समूह के आम सहमति को तोड़ सकता है।
मजबूती (Robustness): नया रैंकिंग तरीका (CausalRank) को धोखा देना बहुत कठिन है। आप सिस्टम को गेम करने के लिए बस नकली अनुयायी नहीं खरीद सकते।
व्यावहारिक उपकरण: लेखकों ने एक एल्गोरिदम बनाया है जो कच्चे सोशल मीडिया डेटा (ट्वीट और फॉलोअर लिस्ट) को लेकर आपको बता सकता है कि वास्तविक राय नेता कौन हैं, बिना किसी निजी डेटा या नियंत्रित प्रयोग के।

संक्षेप में, यह शोध पत्र हमें एक गणितीय सूक्ष्मदर्शी (microscope) देता है जिससे हम देख सकते हैं कि सोशल नेटवर्क में वास्तव में कौन बदलाव लाता है, जो वास्तविक नेताओं को केवल लोकप्रिय लोगों से अलग करता है।

समस्या विवरण
सामाजिक नेटवर्क के भीतर प्रभावशाली एजेंटों की पहचान करना एक महत्वपूर्ण चुनौती है जिसके अनुप्रयोग प्रचार (propaganda) का पता लगाने से लेकर लक्षित विज्ञापन को अनुकूलित करने तक विस्तृत हैं। हालाँकि, पारंपरिक प्रभाव अनुमान विधियाँ अक्सर नेटवर्क टोपोलॉजी मेट्रिक्स (जैसे, आइजनवेक्टर सेंट्रलिटी) या वर्णनात्मक महत्व कारकों पर निर्भर करती हैं, जो सहसंबंध (correlation) और कारणता (causation) के बीच अंतर करने में विफल रहती हैं। सामाजिक नेटवर्क में, सूचना समय के साथ फैलती और मिश्रित होती है, जिससे रिपल इफेक्ट्स (ripple effects) और भ्रमित करने वाले कारक (जैसे, होमोफिली या साझा बाहरी स्रोत) उत्पन्न होते हैं जो वास्तविक कारण संबंधों को अस्पष्ट कर देते हैं। इसके अलावा, मौजूदा कारण दृष्टिकोण अक्सर यादृच्छिक प्रयोगों (randomized experiments) पर निर्भर करते हैं, जो वास्तविक सामाजिक परिवेश में अक्सर अव्यवहार्य होते हैं, या ग्रेंजर कॉज़ैलिटी जैसे भविष्य कहने वाले उपकरणों का उपयोग करते हैं जो गुप्त भ्रमित कारकों (latent confounders) के विरुद्ध मजबूत नहीं होते हैं। यह शोध पत्र अवलोकन संबंधी डेटा (observational data) का उपयोग करके गतिशील सामाजिक शिक्षण नेटवर्क में एजेंटों के बीच कारण प्रभावों को मापने के लिए एक कठोर ढांचे की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
लेखक समस्या को स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs) के दृष्टिकोण से देखते हैं, जहाँ प्रभाव को एक हस्तक्षेप (intervention) के परिणामस्वरूप एक एजेंट के व्यवहार में परिवर्तन के रूप में परिभाषित किया जाता है। अध्ययन सामाजिक शिक्षण के लिए दो स्थापित गणितीय मॉडलों का उपयोग करता है:

नॉन-बेयसियन सोशल लर्निंग (NBSL): एक ढांचा जहाँ एजेंट एक स्थानीय बेयसियन चरण के बाद अपने पड़ोसियों के विश्वासों के ज्यामितीय औसत के माध्यम से अपने विश्वासों को अपडेट करते हैं।
एडेप्टिव सोशल लर्निंग (ASL): एक विस्तार जो हालिया अवलोकनों को प्राथमिकता देने के लिए टेम्पोरल वेटिंग पैरामीटर्स पेश करता है, जिससे गैर-स्थिर वातावरण में अनुकूलन संभव होता है।

मुख्य कार्यप्रणाली एक विशिष्ट एजेंट $m$ पर "परमाणु और निरंतर हस्तक्षेप" (atomic and persistent intervention) के विश्लेषण में शामिल है, जहाँ $m$ का विश्वास एक स्थिर मान पर स्थिर कर दिया जाता है ( $do(\mu_m)$ )। लेखक अन्य सभी एजेंटों के परिणामी एसिम्प्टोटिक लॉग-बलीफ रेश्यो के लिए क्लोज्ड-फॉर्म एक्सप्रेशन व्युत्पन्न करते हैं। ये एक्सप्रेशन नेटवर्क टोपोलॉजी (संयोजन मैट्रिक्स $A$ द्वारा प्रतिनिधित्व) और एजेंटों की व्यक्तिगत सूचनात्मकता (कुलबैक-लीब्लर डाइवर्जेंस द्वारा मात्रात्मक) पर निर्भर करते हैं।

वास्तविक दुनिया के परिदृश्यों को संभालने के लिए जहाँ मॉडल पैरामीटर अज्ञात होते हैं, यह शोध पत्र एक ग्राफ कॉज़ैलिटी लर्निंग (GCL) एल्गोरिदम का प्रस्ताव करता है। यह विधि आवश्यक मापदंडों (संयोजन भार और एजेंट सूचनात्मकता) को सीधे कच्चे अवलोकन संबंधी डेटा से अनुमानित करती है, विशेष रूप से साझा मध्यवर्ती विश्वासों (कार्यों) के अनुक्रमों और ज्ञात ग्राफ टोपोलॉजी (एडजसेंसी मैट्रिक्स) का उपयोग करके।

प्रमुख योगदान

कारण प्रभाव मानदंड (Causal Impact Criterion): यह शोध पत्र एक गतिशील नेटवर्क में प्रत्येक जोड़ी $(m, k)$ के लिए एक एजेंट के दूसरे पर कारण प्रभाव को मापने के लिए एक नया मानदंड प्रस्तावित करता है। इसे NBSL और ASL दोनों ढांचों के लिए व्युत्पन्न किया गया है, जो यह प्रकट करता है कि तात्कालिक प्रभाव समय और स्थान में कैसे प्रसारित होते हैं।
CausalRank एल्गोरिदम: एजेंटों को उनके समग्र प्रभाव के आधार पर रैंक करने के लिए, लेखक CausalRank पेश करते हैं। साधारण औसत या मानक सेंट्रलिटी उपायों के विपरीत, यह एल्गोरिदम एक द्विपक्षीय कारण प्रभाव मैट्रिक्स (bipartite causal influence matrix) बनाता है और इसके प्रमुख आइजनवेक्टर की गणना करता है। यह दृष्टिकोण एक एजेंट के प्रभाव को उन एजेंटों के प्रभाव के आधार पर भारित करता है जिन्हें वे प्रभावित करते हैं, प्रभावी रूप से उन एजेंटों की पहचान करता है जो प्रभावशाली एजेंटों पर प्रभावशाली होते हैं।
ग्राफ कॉज़ैलिटी लर्निंग (GCL): एक एल्गोरिदम पेश किया गया है जो मॉडल मापदंडों पर ग्राउंड ट्रुथ की आवश्यकता के बिना अवलोकन संबंधी डेटा से कारण प्रभावों का अनुमान लगाता है। शोध पत्र एक सैद्धांतिक सीमा प्रदान करता है जो दिखाता है कि अनुमान त्रुटि नमपलों की संख्या $M$ के साथ $O(1/\sqrt{M})$ के रूप में घटती है।
विशेष मामलों का विश्लेषण: अध्ययन स्पष्ट रूप से विशिष्ट टोपोलॉजी, जैसे पूर्णतः-जुड़े (फेडरेटेड) आर्किटेक्चर और एकदिशीय रिंग्स में नेटवर्क मापदंडों पर कारण प्रभाव कैसे निर्भर करते हैं, इसका विश्लेषण करता है, जो नेटवर्क सेंट्रलिटी, एजेंट सूचनात्मकता और भूलने वाले कारकों (forgetting factors) की भूमिकाओं को दर्शाता है।

परिणाम

सिंथेटिक डेटा: 11-एजेंट नेटवर्क पर सिमुलेशन दर्शाते हैं कि कारण प्रभाव मैट्रिक्स कच्चे संयोजन मैट्रिक्स से काफी भिन्न है। उदाहरण के लिए, कम सूचनात्मकता वाले एजेंटों को अधिक संवेदनशील दिखाया गया है, और सूचना मिश्रण के कारण अप्रत्यक्ष प्रभाव पथ प्रत्यक्ष पथों की तुलना में अधिक मजबूत हो सकते हैं।
मजबूती (Robustness): CausalRank एल्गोरिदम को "फॉलोअर-इन्फ्लेशन" हमलों (जहाँ बॉट खाते किसी उपयोगकर्ता के अनुयायी संख्या को कृत्रिम रूप से बढ़ा देते हैं) के विरुद्ध मजबूत दिखाया गया है। जबकि पारंपरिक मेट्रिक्स जैसे अनुयायी संख्या और औसत प्रभाव रैंकिंग (AIR) ऐसे हेरफेर के प्रति संवेदनशील हैं, CausalRank एक स्थिर रैंकिंग बनाए रखता है क्योंकि यह केवल कनेक्शनों की संख्या के बजाय वास्तविक कारण प्रभाव को ध्यान में रखता है।
वास्तविक दुनिया का अनुप्रयोग: GCL एल्गोरिदम को क्रिप्टोकरेंसी पर चर्चा करने वाले 20 ट्विटर उपयोगकर्ताओं के एक सब-नेटवर्क पर लागू किया गया। ट्वीट्स से विश्वास इनपुट के रूप में भावना (sentiment) निकालने के लिए नेचुरल लैंग्वेज प्रोसेसिंग का उपयोग करते हुए, अध्ययन ने एलोन मस्क (उपयोगकर्ता 1) को सबसे प्रभावशाली एजेंट के रूप में पहचाना। उल्लेखनीय रूप से, कारण रैंकिंग आइजनवेक्टर सेंट्रलिटी से भिन्न थी; उदाहरण के लिए, उपयोगकर्ता 2 की उच्च सेंट्रलिटी थी लेकिन कम कारण प्रभाव था, जो संभवतः कम सूचनात्मकता (जैसे, नई जानकारी जोड़े बिना रीट्वीट करना) के कारण था।
सहसंबंध बनाम कारणता: प्रयोगों ने पुष्टि की कि जबकि बाहरी अवलोकनों का सहसंबंध एजेंटों के विश्वासों के सहसंबंध को बदल देता है, अनुमानित कारण प्रभाव स्थिर रहते हैं, जो गैर-कारण भ्रमित कारकों को फ़िल्टर करने की इसकी क्षमता को प्रदर्शित करता है।

महत्व
यह शोध पत्र दावा करता है कि यह सामाजिक शिक्षण नेटवर्क में स्थान और समय पर प्रभाव के प्रसार का कारण संबंधी निष्कर्ष (causal inference) के दृष्टिकोण से परीक्षण करने वाला पहला अध्ययन है। प्रभाव को स्ट्रक्चरल कॉज़ल मॉडल्स से प्राप्त एक कारण मात्रा के रूप में मानकर, यह कार्य उन स्पूरियस (spurious) संबंधों को हटाने की विधि प्रदान करता है जो सहसंबंध-आधारित दृष्टिकोणों को प्रभावित करते हैं। प्रस्तावित ढांचा मानव सामाजिक नेटवर्क में राय निर्माण को मॉडल करने और मल्टी-एजेंट सिस्टम (जैसे, सेंसर, रोबोट) के लिए वितरित निर्णय लेने वाली प्रणालियों को डिजाइन करने, दोनों के लिए महत्वपूर्ण है। अवलोकन संबंधी डेटा से कारण संरचनाओं को सीखने की क्षमता इस दृष्टिकोण को वास्तविक सोशल मीडिया विश्लेषण के लिए विशेष रूप से मूल्यवान बनाती है जहाँ नियंत्रित प्रयोग अव्यवहार्य हैं। लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि उनके परिणाम मजबूत हैं, वास्तविक दुनिया के सामाजिक नेटवर्क में ग्राउंड ट्रुथ की कमी एक चुनौती बनी हुई है, और वे भविष्य के कार्य के लिए लार्ज लैंग्वेज मॉडल (LLM) आधारित नियंत्रित प्रयोगों की खोज को खुला छोड़ते हैं।