📊 statistics

Efficient Causal Graph Discovery Using Large Language Models

यह शोध पत्र एक नवीन, कुशल ढांचे का प्रस्ताव करता है जो पूर्ण कारण ग्राफ (causal graphs) खोजने के लिए 'ब्रेड्थ-फर्स्ट सर्च' दृष्टिकोण के साथ लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे केवल रैखिक (linear) संख्या में क्वेरीज़ के माध्यम से पिछले युग्म-आधारित (pairwise) तरीकों की द्विघाती (quadratic) क्वेरी सीमाओं को पार किया जा सकता है और वास्तविक दुनिया के डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सकता है।

मूल लेखक: Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

प्रकाशित 2026-04-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

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

कल्पना कीजिए कि आप एक जासूस हैं जो एक बहुत बड़ी गुत्थी सुलझाने की कोशिश कर रहे हैं: किसने क्या किया?

डेटा साइंस की दुनिया में, इसे कॉज़ल डिस्कवरी (Causal Discovery) कहा जाता है। आपके पास चरों (variables) की एक सूची है (जैसे "धूम्रपान," "फेफड़ों का कैंसर," "प्रदूषण," या "खांसी"), और आपको एक नक्शा बनाना है जो दिखाता है कि कौन सा चर दूसरे की ओर ले जाता है। इस नक्शे को कॉज़ल ग्राफ (Causal Graph) कहा जाता है।

पारंपरिक रूप से, इस नक्शे को बनाने के लिए वैज्ञानिकों को ऑब्जर्वेशनल डेटा (जैसे अस्पताल के रिकॉर्ड) से लाखों नंबरों को जटिल गणित का उपयोग करके प्रोसेस करना पड़ता था। यह धीमा, महंगा था और इसके लिए अक्सर भारी मात्रा में डेटा की आवश्यकता होती थी।

हाल ही में, शोधकर्ताओं ने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करने की कोशिश की—वही AI दिमाग जो चैटबॉट्स के पीछे होता है। उन्होंने AI से पूछा, "क्या धूम्रपान से फेफड़ों का कैंसर होता है?" और "क्या प्रदूषण से खांसी होती है?" एक बार में एक जोड़ी के बारे में।

उस पुराने दृष्टिकोण के साथ समस्या यह है:
यदि आपके पास 10 चर हैं, तो आपको 45 जोड़ियों के बारे में पूछना होगा। यदि आपके पास 100 चर हैं, तो आपको 4,950 जोड़ियों के बारे में पूछना होगा! यदि आपके पास 200 चर हैं (जैसे कि एक वास्तविक चिकित्सा अध्ययन में होते हैं), तो आपको 20,000 प्रश्न पूछने होंगे। यह एक पर्यटक से हर एक सड़क के चौराहे के बारे में एक-एक करके पूछकर पूरे शहर का नक्शा बनाने की कोशिश करने जैसा है। इसमें बहुत समय लगता है और बहुत पैसा खर्च होता है।

नया समाधान: "ब्रेड्थ-फर्स्ट सर्च" जासूस

इस शोध पत्र के लेखक, थॉमस जिरालेरस्पोंग और उनकी टीम, AI का उपयोग करने का एक बहुत अधिक स्मार्ट तरीका लेकर आए हैं। हर संभावित जोड़ी के बारे में पूछने के बजाय, वे AI के साथ एक ब्रेड्थ-फर्स्ट सर्च (Breadth-First Search - BFS) का उपयोग करके एक शहर की खोज करने वाले जासूस की तरह व्यवहार करते हैं।

यहाँ उनका तरीका कैसे काम करता है, एक सरल उपमा (analogy) का उपयोग करते हुए:

1. सेटअप: "रूट्स" (Roots) खोजना

कल्पना कीजिए कि आप एक जंगल की खोज कर रहे हैं। आपको यह जानने की जरूरत है कि पेड़ कहाँ से शुरू होते हैं।

AI का काम: शोधकर्ता पहले AI से पूछते हैं: "इनमें से कौन से चर 'रूट्स' हैं? कौन से ऐसे हैं जो किसी और के द्वारा उत्पन्न नहीं किए गए हैं?"
परिणाम: AI शुरुआती बिंदुओं की पहचान करता है (जैसे, "धूम्रपान" और "जेनेटिक्स" रूट्स हो सकते हैं क्योंकि सूची में कुछ भी उन्हें प्रभावित नहीं करता)। ये एक "टू-डू लिस्ट" (queue) में जाते हैं।

2. विस्तार: "आप किसे प्रभावित करते हैं?"

अब, जासूस "टू-डू लिस्ट" से पहला आइटम चुनता है (मान लीजिए "धूम्रपान")।

AI का काम: यह पूछने के बजाय कि "क्या धूम्रपान X का कारण बनता है?", "क्या धूम्रपान Y का कारण बनता है?", "क्या धूम्रपान Z का कारण बनता है?", AI से एक ही सवाल पूछा जाता है: "धूम्रपान के संदर्भ में, उन सभी चरों की सूची बनाएं जिन्हें धूम्रपान सीधे तौर पर प्रभावित करता है।"
जादू: AI कह सकता है: "धूम्रपान ब्रोंकाइटिस और फेफड़ों के कैंसर का कारण बनता है।"
परिणाम: केवल एक प्रश्न में, जासूस ने दो संबंध खोज लिए!

3. सुरक्षा जांच: लूप्स (Loops) की अनुमति नहीं है

कॉज़ल ग्राफ को डायरेक्टेड एसिक्लिक ग्राफ्स (Directed Acyclic Graphs - DAGs) होना चाहिए। सरल शब्दों में: टाइम ट्रैवल की अनुमति नहीं है। ऐसा नहीं हो सकता कि A, B का कारण बनता है, और B, A का कारण बनता है (यह एक विरोधाभास होगा)।

एक नया संबंध जोड़ने से पहले, सिस्टम जाँच करता है: "यदि हम धूम्रपान से फेफड़ों के कैंसर तक एक रेखा खींचते हैं, तो क्या यह एक अजीब लूप बनाता है?" यदि हाँ, तो इसे हटा दिया जाता है। यदि नहीं, तो इसे नक्शे में जोड़ दिया जाता है।

4. पूरा होने तक दोहराएं

नए खोजे गए चरों (ब्रोंकाइटिस, फेफड़ों का कैंसर) को "टू-डू लिस्ट" में जोड़ा जाता है। जासूस अगला आइटम चुनता है, पूछता है "आप किसका कारण बनते हैं?", और प्रक्रिया को तब तक दोहराता है जब तक कि प्रत्येक चर का दौरा न कर लिया जाए।

यह एक बड़ी बात क्यों है?

1. यह बिजली की तरह तेज़ है (लीनियर बनाम क्वाड्रेटिक)

पुराना तरीका: यदि आपके पास $N$ चर हैं, तो आपको लगभग $N \times N$ प्रश्नों की आवश्यकता होती है। (यदि आप चरों को दोगुना करते हैं, तो आपको चार गुना अधिक प्रश्नों की आवश्यकता होती है)।
नया तरीका: आपको केवल $N$ प्रश्न पूछने की आवश्यकता है (प्रत्येक चर के लिए एक)। (यदि आप चरों को दोगुना करते हैं, तो आपको केवल दोगुनी आवश्यकता होती है)।
उपमा: पुराना तरीका एक इमारत में हर दरवाजे की जांच करने जैसा है कि वह लॉक है या नहीं। नया तरीका एक गलियारे में चलने और कमरे में मौजूद व्यक्ति से पूछने जैसा है, "इस इमारत में और कौन है?"

2. इसे नंबरों की आवश्यकता नहीं है (मुख्यतः)
AI अपने "कॉमन सेंस" और ट्रेनिंग डेटा (जैसे यह जानना कि धूम्रपान फेफड़ों के लिए बुरा है) का उपयोग करके इसे समझता है। इसे समझने के लिए इसे 10,000 मरीजों के रिकॉर्ड वाली स्प्रेडशीट की आवश्यकता नहीं है। इसे केवल चरों के नाम और विवरण की आवश्यकता है।

नोट: यदि आपके पास डेटा (जैसे सहसंबंध संख्या) है, तो आप इसे AI को और भी स्मार्ट बनाने के लिए दे सकते हैं, लेकिन यह अनिवार्य नहीं है।

3. यह विशाल समस्याओं पर काम करता है
शोधकर्ताओं ने तीन मानचित्रों पर इसका परीक्षण किया:

एशिया: एक छोटा नक्शा (8 चर)। AI ने इसमें उत्कृष्ट प्रदर्शन किया।
चाइल्ड (Child): एक मध्यम नक्शा (20 चर)। AI ने बहुत अच्छा किया।
न्यूरोपैथिक पेन (Neuropathic Pain): एक विशाल नक्शा जिसमें 221 चर और 770 कनेक्शन थे।
- पुराने "जोड़ी-दर-जोड़ी" तरीके में 24,310 प्रश्नों की आवश्यकता होती। यह चलाना असंभव था।
- नए तरीके में केवल 221 प्रश्नों की आवश्यकता थी। इसने तंत्रिकाओं और लक्षणों के बीच जटिल संबंधों को सफलतापूर्वक मैप किया, और सभी पारंपरिक गणित-आधारित तरीकों से बेहतर प्रदर्शन किया।

निचोड़ (Bottom Line)

यह शोध पत्र एक तरीका पेश करता है जिससे AI का उपयोग पहले की तुलना में बहुत तेज़ी से और सस्ते में "कारण-और-प्रभाव" (Cause-and-Effect) के नक्शे बनाने के लिए किया जा सकता है। AI से लाखों छोटे सवाल पूछने के बजाय, वे इसे स्टेप-बाय-स्टेप नक्शे को एक्सप्लोर करने के लिए कहते हैं, जैसे एक जासूस शहर में घूम रहा हो और जैसे-जैसे वह आगे बढ़ता है, नए संबंध खोजता जाता है।

यह ब्रूट फोर्स (सब कुछ चेक करना) से स्मार्ट एक्सप्लोरेशन (निशान का पीछा करना) की ओर एक बदलाव है, जिससे चिकित्सा, अर्थशास्त्र और जलवायु विज्ञान जैसे क्षेत्रों में जटिल कॉज़ल रहस्यों को हल करना संभव हो गया है जो पहले बहुत बड़े लगते थे।

यहाँ शोध पत्र "Efficient Causal Graph Discovery Using Large Language Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कॉज़ल ग्राफ डिस्कवरी (Causal Graph Discovery) का लक्ष्य चरों (variables) के बीच कारण संबंधी संबंधों (causal relationships) की पहचान करना है, जिन्हें आमतौर पर एक निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) के रूप में दर्शाया जाता है। पारंपरिक विधियाँ संख्यात्मक प्रेक्षण डेटा (numerical observational data) और सांख्यिकीय अनुकूलन (जैसे PC एल्गोरिदम, NOTEARS, GES) पर निर्भर करती हैं, जो गणनात्मक रूप से महंगी हो सकती हैं और जिनके लिए बड़े डेटासेट की आवश्यकता होती है।

हालिया दृष्टिकोणों ने केवल मेटाडेटा (चरों के नाम और विवरण) का उपयोग करके कारण संबंधों का अनुमान लगाने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग किया है, न कि कच्चे डेटा (raw data) का। हालाँकि, मौजूदा LLM-आधारित विधियाँ एक गंभीर स्केलेबिलिटी बाधा (scalability bottleneck) से ग्रस्त हैं:

पेयरवाइज क्वेरी दृष्टिकोण (Pairwise Query Approach): पिछले कार्यों में प्रत्येक संभावित जोड़ी के लिए LLM से यह निर्धारित करने के लिए प्रश्न पूछा जाता है कि क्या $A \to B$ , $B \to A$ , या कोई संबंध मौजूद नहीं है।
जटिलता (Complexity): $n$ चरों के लिए इसमें $n^2$ क्वेरी की आवश्यकता होती है। बड़े ग्राफों (जैसे सैकड़ों नोड्स) के लिए, यह गणनात्मक रूप से अव्यवहारिक और API लागत एवं समय के मामले में अत्यधिक महंगी हो जाती है।

यह शोध पत्र एक स्केलेबल, डेटा-कुशल विधि की आवश्यकता को संबोधित करता है जो व्यापक पेयरवाइज तुलनाओं पर निर्भर किए बिना LLMs का उपयोग करके पूर्ण कॉज़ल ग्राफ की खोज कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन ढांचा प्रस्तावित करते हैं जो कॉज़ल ग्राफ के निर्माण के लिए ब्रेड्थ-फर्स्ट सर्च (BFS) एल्गोरिदम का लाभ उठाता है, जिससे क्वेरी जटिलता द्विघात (quadratic) से घटकर रैखिक (linear) हो जाती है।

मुख्य एल्गोरिदम: BFS-आधारित ग्राफ निर्माण

सभी जोड़ियों के लिए प्रश्न पूछने के बजाय, यह विधि एक विशिष्ट नोड के प्रभावों (effects) के बारे में LLM से प्रश्न पूछकर ग्राफ का पुनरावृत्ति (iteratively) विस्तार करती है। यह प्रक्रिया तीन चरणों में होती है:

आरंभीकरण चरण (Initialization Stage):
- सभी चरों के विवरण के साथ LLM को प्रॉम्प्ट दिया जाता है ताकि रूट नोड्स (root nodes) (वे चर जो किसी अन्य चर द्वारा प्रभावित नहीं होते हैं) की पहचान की जा सके।
- इन रूट नोड्स को एक BFS क्यू (queue) में जोड़ा जाता है।
- प्रॉम्प्ट उदाहरण: "उन चर(ों) की पहचान करें जो किसी अन्य चरों द्वारा अप्रभावित हैं।"
विस्तार चरण (Expansion Stage):
- एल्गोरिदम एक नोड (वर्तमान नोड) को डीक्यू (dequeue) करता है और LLM को इस वर्तमान नोड द्वारा कारण से प्रेरित (caused by) सभी चरों की पहचान करने के लिए प्रॉम्प्ट देता है।
- प्रॉम्प्ट में वर्तमान ग्राफ संरचना (पहले से खोजे गए किनारे/edges) को संदर्भ बनाए रखने के लिए शामिल किया जाता है।
- प्रॉम्प्ट उदाहरण: "[Current Node] द्वारा कारण से प्रेरित चरों का चयन करें।"
इंसर्शन और साइकिल चेक चरण (Insertion & Cycle Check Stage):
- LLM द्वारा अनुमानित प्रत्येक किनारे (edge) के लिए, सिस्टम किनारे को ग्राफ में जोड़ने से पहले एक साइकिल चेक (cycle check) (DFS का उपयोग करके) करता है।
- यदि कोई किनारा जोड़ने से चक्र (cycle) बनता है, तो उसे हटा दिया जाता है ताकि DAG बाधा (constraint) को सख्ती से लागू किया जा सके।
- नए जुड़े हुए नोड्स को BFS क्यू में तब जोड़ा जाता है जब वे अभी तक विज़िट नहीं किए गए हों।

यह प्रक्रिया तब तक दोहराई जाती है जब तक कि क्यू खाली न हो जाए। कुल क्वेरी जटिलता $O(n)$ है, क्योंकि प्रत्येक नोड को ठीक एक बार विज़िट और विस्तारित किया जाता है।

प्रेक्षण डेटा को शामिल करना (Incorporating Observational Data)

यह ढांचा लचीला है और प्रदर्शन बढ़ाने के लिए उपलब्ध होने पर प्रेक्षण डेटा (observational data) को शामिल कर सकता है।

तंत्र (Mechanism): वर्तमान नोड और अन्य चरों के बीच पियर्सन सहसंबंध गुणांक (Pearson correlation coefficients) को विस्तार प्रॉम्प्ट में जोड़ा जाता है।
परिकल्पना (Hypothesis): हालांकि सहसंबंध (correlation) कारण (causation) का संकेत नहीं देता है, लेकिन सांख्यिकीय संदर्भ प्रदान करना LLM को तब अस्पष्टता को सुलझाने में मदद करता है जब उसका आंतरिक ज्ञान अपर्याप्त होता है।

3. मुख्य योगदान (Key Contributions)

रैखिक क्वेरी जटिलता (Linear Query Complexity): प्राथमिक योगदान $O(n^2)$ पेयरवाइज क्वेरी से $O(n)$ BFS-आधारित दृष्टिकोण की ओर बदलाव है, जो बड़े पैमाने की समस्याओं (जैसे 200+ नोड्स) के लिए पूर्ण ग्राफ खोज को संभव बनाता है।
DAG बाधा प्रवर्तन (DAG Constraint Enforcement): विधि स्पष्ट रूप से इंसर्शन चरण के दौरान एक साइकिल-चेकिंग तंत्र को शामिल करती है, जो आउटपुट को एक वैध निर्देशित अचक्रीय ग्राफ (DAG) के रूप में सुनिश्चित करती है, जो जनरेटिव LLM कार्यों में एक सामान्य विफलता बिंदु है।
डेटा दक्षता (Data Efficiency): यह विधि बिना किसी प्रेक्षण डेटा के प्रभावी ढंग से कार्य करती है, जो केवल LLM के आंतरिक ज्ञान आधार (मेटाडेटा) पर निर्भर करती है। यह यह भी प्रदर्शित करती है कि उपलब्ध होने पर सांख्यिकीय डेटा को सहजता से कैसे एकीकृत किया जाए।
स्केलेबिलिटी (Scalability): यह पहला LLM-आधारित तरीका है जिसे बड़े कॉज़ल ग्राफ (221 नोड्स) को संभालने के लिए प्रदर्शित किया गया है जहाँ पिछले पेयरवाइज तरीके क्वेरी सीमाओं के कारण विफल हो जाते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन विभिन्न आकारों के तीन डेटासेट्स पर किया गया:

Asia: छोटा ग्राफ (8 नोड्स, 8 किनारे)।
Child: मध्यम ग्राफ (20 नोड्स, 25 किनारे)।
Neuropathic Pain: बड़ा ग्राफ (221 नोड्स, 770 किनारे)।

प्रदर्शन मेट्रिक्स: सटीकता (Accuracy), F-Score, और नॉर्मलाइज्ड हैमिंग डिस्टेंस (NHD) अनुपात।

मुख्य निष्कर्ष:

छोटे ग्राफ (Asia): प्रस्तावित विधि ने बिना किसी प्रेक्षण डेटा के स्टेट-ऑफ-द-आर्ट (SOTA) परिणाम (F-Score: 0.93) प्राप्त किए, जो सांख्यिकीय विधियों (GES, PC, NOTEARS) और पेयरवाइज LLM बेसलाइन से बेहतर थे। दिलचस्प बात यह है कि सहसंबंध डेटा जोड़ने से प्रदर्शन में सुधार नहीं हुआ, जो बताता है कि LLM का आंतरिक ज्ञान पर्याप्त था।
मध्यम ग्राफ (Child): 10,000 नमूनों के प्रेक्षण डेटा के साथ विधि ने सर्वश्रेष्ठ प्रदर्शन (F-Score: 0.63) किया। उल्लेखनीय रूप से, बिना डेटा वाली विधि ने भी प्रतिस्पर्धी प्रदर्शन किया, जो शून्य प्रेक्षण डेटा का उपयोग करते हुए सर्वश्रेष्ठ सांख्यिकीय बेसलाइन (GES) के बराबर रही।
बड़े ग्राफ (Neuropathic Pain):
- पेयरवाइज विधियाँ और GES अव्यवहारिक (intractable) थे (लगभग 24,310 क्वेरी या किनारों की जाँच की आवश्यकता थी)।
- सांख्यिकीय विधियाँ (PC) मेमोरी समाप्त होने के कारण रुक गईं।
- प्रस्तावित विधि एकमात्र दृष्टिकोण थी जो इस पैमाने पर चलने में सक्षम थी, जिसने उचित F-Score (0.35) और NHD अनुपात (0.64) प्राप्त किया, जो "वर्स्ट-केस" बेसलाइन से काफी बेहतर था।

5. महत्व और निहितार्थ (Significance and Implications)

स्केलेबिलिटी: यह कार्य LLMs को बड़े पैमाने पर कॉज़ल डिस्कवरी के लिए उपयोग करने में आने वाली बाधा को तोड़ता है, जिससे यह खिलौना उदाहरणों (toy examples) से आगे बढ़कर वास्तविक दुनिया के जटिल सिस्टम तक पहुँच जाता है।
लागत और समय दक्षता: क्वेरी को द्विघात से रैखिक में बदलकर, यह विधि डिस्कवरी के लिए आवश्यक लागत और समय को काफी कम कर देती है, जिससे यह सीमित संसाधनों वाले डोमेन के लिए सुलभ हो जाता है।
हाइब्रिड क्षमता: यह ढांचा प्रदर्शित करता है कि LLMs कारण तर्क (causal reasoning) के लिए एक शक्तिशाली प्रायर (prior) या स्टैंडअलोन इंजन के रूप में कार्य कर सकते हैं, जो ज्ञान-आधारित तर्क और सांख्यिकीय अनुमान के बीच के अंतर को पाटते हैं।
डोमेन प्रयोज्यता: केवल चर विवरणों का उपयोग करके कॉज़ल ग्राफ खोजने की क्षमता इस दृष्टिकोण को उन क्षेत्रों के लिए अत्यधिक उपयोगी बनाती है जहाँ डेटा दुर्लभ, मालिकाना (proprietary), या मापने में कठिन है, लेकिन विशेषज्ञ ज्ञान (मेटाडेटा) उपलब्ध है।

6. सीमाएँ और भविष्य के कार्य (Limitations & Future Work)

सीमाएँ: विधि LLM के प्रशिक्षण डेटा की गुणवत्ता पर निर्भर करती; यह उन नवीन डोमेन में संघर्ष कर सकती है जो प्रशिक्षण कॉर्पा (corpora) में अच्छी तरह से प्रस्तुत नहीं हैं। इसमें पारदर्शिता का अभाव (ब्लैक-बॉक्स प्रकृति) भी है।
भविष्य की दिशाएँ:
- LLM प्रायर को सांख्यिकीय सत्यापन के साथ जोड़ना (हाइब्रिड दृष्टिकोण)।
- जटिल तर्क के लिए "ट्री ऑफ थॉट्स" (Tree of Thoughts) जैसी उन्नत प्रॉम्प्टिंग रणनीतियों का उपयोग करना।
- विभिन्न LLM आर्किटेक्चर और आकारों के माध्यम से प्रदर्शन का मूल्यांकन करना।