📊 statistics

Causal-ICM: A Data Fusion Framework For Heterogeneous Treatment Effect Estimation With Multi-Task Gaussian Processes

यह शोध पत्र Causal-ICM का प्रस्ताव करता है, जो एक नवीन बेयसियन नॉनपैरामीट्रिक फ्रेमवर्क है, जो सिद्धांतपूर्ण अनिश्चितता परिमाणीकरण के साथ सुदृढ़ विषम उपचार प्रभाव अनुमान के लिए रैंडमाइज्ड कंट्रोल्ड ट्रायल और अवलोकनात्मक डेटा को प्रभावी ढंग से संलयित करने हेतु मल्टी-टास्क गॉसियन प्रक्रियाओं का उपयोग करता है।

मूल लेखक: Evangelos Dimitriou, Edwin Fong, Jens Magelund Tarp, Karla Diaz-Ordaz, Brieuc Lehmann

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Evangelos Dimitriou, Edwin Fong, Jens Magelund Tarp, Karla Diaz-Ordaz, Brieuc Lehmann

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

यहाँ "Causal-ICM: A Data Fusion Framework..." शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करते हुए विवरण दिया गया है।

बड़ी समस्या: "परफेक्ट लैब" बनाम "असली दुनिया"

कल्पना कीजिए कि आप जानना चाहते हैं कि क्या एक नई दवा काम करती है। आपके पास जानकारी के दो स्रोत हैं:

"परफेक्ट लैब" (रैंडमाइज्ड कंट्रोल्ड ट्रायल या RCT): यह एक उच्च-सुरक्षा, स्टेरिल प्रयोगशाला की तरह है। वैज्ञानिक बहुत सख्त हैं। वे केवल स्वस्थ, युवा लोगों को ही अंदर आने देते हैं जिनका कोई अन्य रोग नहीं है। क्योंकि वे सब कुछ पूरी तरह से नियंत्रित करते हैं, इसलिए वे निश्चित रूप से जानते हैं कि दवा ने ही परिणाम दिया है। हालाँकि, क्योंकि नियम इतने सख्त हैं, लैब का परिणाम वास्तविक दुनिया की विविधता और अव्यवस्था को नहीं दर्शाता है। यदि आप यह दवा मधुमेह (diabetes) से पीड़ित बुजुर्ग व्यक्ति को देते हैं, तो लैब के परिणाम उन पर लागू नहीं हो सकते हैं।
"असली दुनिया" (ऑब्जर्वेशनल स्टडी): यह एक व्यस्त, शोर-शराबे वाली शहर की सड़क की तरह है। आप सभी उम्र, पृष्ठभूमि और स्वास्थ्य स्थितियों के हजारों लोगों को देखते हैं। यह डेटा विशाल है और वास्तविक दुनिया का सटीक प्रतिनिधित्व करता है। लेकिन, यह अव्यवस्थित है। शायद बीमार लोगों को दवा इसलिए मिली क्योंकि वे पहले से ही अधिक बीमार थे, न कि इसलिए कि दवा अच्छी थी। यहाँ छिपे हुए कारक (confounders) डेटा को बिगाड़ रहे हैं, जिससे यह बताना मुश्किल हो जाता है कि वास्तव में परिणाम का कारण क्या था।

दुविधा:

लैब सटीक है लेकिन बहुत छोटी और सीमित है।
शहर बड़ा और विविध है लेकिन अव्यवस्थित और पक्षपाती (biased) है।

अधिकांश वैज्ञानिक इन दोनों को मिलाने के लिए संघर्ष करते हैं। यदि वे उन्हें बस मिला देते हैं, तो "अव्यवस्थित" शहर के डेटा की विशाल मात्रा अक्सर "सटीक" लैब डेटा को दबा देती है, जिससे गलत निष्कर्ष निकल सकते हैं। यदि वे शहर के डेटा को अनदेखा कर देते हैं, तो वे यह समझने का मौका खो देते हैं कि दवा आम लोगों पर कैसे काम करती है।

समाधान: Causal-ICM (एक "स्मार्ट ट्रांसलेटर")

इस शोध पत्र के लेखकों ने एक नया टूल बनाया है जिसे Causal-ICM कहा जाता है। इसे लैब और शहर के बीच एक "स्मार्ट ट्रांसलेटर" या "पुल बनाने वाला" (Bridge Builder) समझें।

यह कैसे काम करता है, इसके लिए कुछ रूपकों (metaphors) का उपयोग किया गया है:

1. "दो-कार्य" वाला नृत्य (Multi-Task Learning)

कल्पना कीजिए कि लैब और शहर दो डांसर हैं।

डांसर A (लैब) एक छोटे कमरे में पूरी तरह से नाच रहा है।
डांसर B (शहर) एक विशाल स्टेडियम में बेतहाशा नाच रहा है, लेकिन कभी-कभी वह अपने ही पैरों से टकराकर लड़खड़ा जाता है (bias)।

पुराने तरीके उन्हें बिल्कुल एक जैसे कदम नाचने के लिए मजबूर करने की कोशिश करते थे। Causal-ICM कहता है, "आइए उन्हें साथ में नाचते हुए देखते हैं।" यह मल्टी-टास्क गॉसियन प्रोसेस नामक एक गणितीय तकनीक का उपयोग करता है। यह एक कोरियोग्राफर की तरह है जो दोनों डांसरों को देखता है और लैब की लय (सच्चाई) को सीखता है, जबकि शहर की ऊर्जा (वॉल्यूम) का उपयोग खाली जगहों को भरने के लिए करता है।

2. "वॉल्यूम नॉब" (पैरामीटर $\rho$ )

यह सबसे चतुर हिस्सा है। सिस्टम में एक विशेष वॉल्यूम नॉब (जिसे $\rho$ कहा जाता है) है।

यदि आप नॉब को 100% तक घुमाते हैं, तो सिस्टम पूरी तरह से शहर की बात सुनता है। यह खतरनाक है क्योंकि शहर अव्यवस्थित है।
यदि आप नॉब को 0% तक नीचे करते हैं, तो सिस्टम शहर को अनदेखा कर देता है और केवल लैब की बात सुनता है। यह सुरक्षित है लेकिन इसमें व्यापक तस्वीर देखने का मौका छूट जाता है।

Causal-ICM की सुपरपावर: यह स्वचालित रूप से परफेक्ट मिडिल सेटिंग खोज लेता है। यह शहर को इतना सुनता है कि विभिन्न प्रकार के लोगों के बारे में सीख सके, लेकिन यह लैब की "सच्चाई" को इतना तेज़ रखता है ताकि शहर की अव्यवस्था उसे दबा न सके। यह "बड़े और अव्यवस्थित डेटा" को सिस्टम को अति-आत्मविश्वासी होने से रोकने में मदद करता है।

3. "सेफ्टी नेट" (अनिश्चितता का निर्धारण - Uncertainty Quantification)

कल्पना कीजिए कि आप मौसम का अनुमान लगाने की कोशिश कर रहे हैं।

लैब कहती है: "दोपहर 2 बजे बारिश होगी।" (बहुत आश्वस्त है, लेकिन केवल मंगलवार के लिए)।
शहर कहता है: "बारिश हो सकती है, या बर्फबारी, या धूप निकल सकती है!" (बहुत अनिश्चित है, लेकिन हर दिन के लिए कवर करती है)।

यदि आप बस दोनों का औसत निकालते हैं, तो आपको गलत उत्तर मिल सकता है और गलत आत्मविश्वास भी। Causal-CM अलग है। यदि इसे उस दिन के बारे में अनुमान लगाना पड़ता है जिसका लैब ने कभी परीक्षण नहीं किया (extrapolation), तो यह केवल एक नंबर नहीं देता; यह एक सेफ्टी नेट लगा देता है। यह कहता है, "मुझे लगता है कि बारिश होगी, लेकिन चूंकि मैं लैब के डेटा से बाहर अनुमान लगा रहा हूँ, इसलिए मैं केवल 80% निश्चित हूँ।"

यह गणितीय रूप से गारंटी देता है कि भले ही शहर का डेटा बहुत बड़ा हो, सिस्टम कभी भी पक्षपाती डेटा के कारण बहुत अधिक आत्मविश्वासी नहीं होगा। यह अपने उत्तरों में "मैं 100% निश्चित नहीं हूँ" का एक स्वस्थ भाव बनाए रखता है।

उन्होंने इसका परीक्षण कैसे किया

लेखकों ने केवल बातें नहीं कीं; उन्होंने इसे दो तरीकों से परखा:

सिमुलेशन (एक वीडियो गेम): उन्होंने नकली दुनिया बनाई जहाँ उन्हें "सच्चा" उत्तर पता था। उन्होंने Causal-ICM को अन्य प्रसिद्ध तरीकों के खिलाफ खड़ा किया।
- परिणाम: Causal-ICM जीत गया। यह सच्चाई का अनुमान लगाने में बेहतर था, विशेष रूप से डेटा के "अव्यवस्थित" हिस्सों में जहाँ अन्य तरीके विफल हो गए या अत्यधिक आत्मविश्वासी हो गए।
असली दुनिया (STAR अध्ययन): उन्होंने स्कूलों में क्लास साइज (कक्षा के आकार) के प्रभाव के बारे में 1980 के दशक के एक प्रसिद्ध अध्ययन के वास्तविक डेटा का उपयोग किया। उन्होंने यह पता लगाने की कोशिश की कि क्लास साइज छात्रों के टेस्ट स्कोर को कैसे प्रभावित करता है।
- परिणाम: Cural-ICM ने मौजूदा सर्वोत्तम तरीकों के समान ही प्रदर्शन किया, लेकिन इसके साथ एक अतिरिक्त लाभ भी था—यह जानना कि इसके अनुमानों के बारे में यह कितना अनिश्चित था।

यह क्यों मायने रखता है

वास्तविक दुनिया में, हमारे पास शायद ही कभी परफेक्ट डेटा होता है। हमें अपूर्ण जानकारी के आधार पर चिकित्सा, नीति और अर्थशास्त्र के बारे में निर्णय लेने होते हैं।

Causal-ICM एक बुद्धिमान सलाहकार की तरह है। यह नियंत्रित प्रयोगों से प्राप्त सख्त, विश्वसनीय तथ्यों को ऑब्जर्वेशनल डेटा के व्यापक, वास्तविक दुनिया के अनुभव के साथ जोड़ता है। लेकिन एक नादान सलाहकार के विपरीत, जो सबसे तेज़ आवाज़ (सबसे बड़े डेटासेट) से प्रभावित हो जाता है, Causal-ICM जानता है कि सावधानी से कैसे सुनना है, पक्षपात के खिलाफ अपनी रक्षा कैसे करनी है, और हमेशा यह बताना है कि वह अपने सुझावों के बारे में कितना आश्वस्त है।

यह डॉक्टरों और नीति निर्माताओं को हर किसी के लिए बेहतर और सुरक्षित निर्णय लेने में मदद करता है, न कि केवल उन लोगों के लिए जो क्लिनिकल ट्रायल में पूरी तरह फिट बैठते हैं।

यहाँ शोध पत्र "Causal-ICM: Multi-Task Gaussian Processes के साथ Heterogeneous Treatment Effect Estimation के लिए एक Data Fusion Framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र Heterogeneous Treatment Effects (HTE)—विशेष रूप से Conditional Average Treatment Effect (CATE)—के आकलन की चुनौती को हल करता है, जो आंतरिक वैधता (internal validity) और बाह्य वैधता (external validity) के बीच के अंतर को पाटता है।

Randomized Controlled Trials (RCTs): उच्च आंतरिक वैधता प्रदान करते हैं (यादृच्छिकरण के कारण निष्पक्ष अनुमान), लेकिन अक्सर सीमित नमूना आकार, सख्त पात्रता मानदंड और लक्षित जनसंख्या के प्रति खराब प्रतिनिधित्व (कम बाह्य वैधता) से ग्रस्त होते हैं।
Observational Studies: बड़े नमूना आकार और बेहतर प्रतिनिधित्व (उच्च बा khỏi वैधता) प्रदान करते हैं, लेकिन अदृश्य कन्फाउंडिंग (unobserved confounding) के प्रति संवेदनशील होते हैं, जिससे उपचार प्रभाव के अनुमान में पूर्वाग्रह (bias) आ सकता है।

मौजूदा डेटा फ्यूजन विधियाँ अक्सर मजबूत पैरामीट्रिक धारणाओं (जैसे, रैखिक कन्फाउंडिंग) पर निर्भर करती हैं या सिद्धांतों के आधार पर अनिश्चितता का परिमाणीकरण (uncertainty quantification) करने में विफल रहती हैं, विशेष रूप से RCT के सपोर्ट से परे एक्सट्रपलेशन (extrapolation) करते समय। एक ऐसा लचीला, नॉन-पैरामीट्रिक दृष्टिकोण आवश्यक है जो इन डेटा स्रोतों को एकीकृत कर सके और साथ ही ऑब्जर्वेशनल डेटा से उत्पन्न होने वाले पूर्वाग्रह से सुरक्षा प्रदान कर सके।

2. कार्यप्रणाली: Causal-ICM

लेखक Multi-Task Gaussian Processes (GP) का उपयोग करते हुए Intrinsic Coregionalization Models (ICM) पर आधारित एक Bayesian Nonparametric Framework के रूप में Causal-ICM प्रस्तावित करते हैं।

मुख्य ढांचा (Core Framework)

Multi-Task Formulation: यह विधि RCT ( $f_e$ $f_{e}$ ) और ऑब्जर्वेशनल स्टडी ( $f_o$ $f_{o}$ ) के लिए आउटकम रिग्रेशन फंक्शन को दो अलग लेकिन संबंधित कार्यों (tasks) के रूप में मानती है।
- $f_e(x) = E[Y | x, S=e, A=1]$
- $f_o(x) = E[Y | x, S=o, A=1]$
ICM संरचना: मॉडल यह मानता है कि दोनों कार्य एक ही स्केलर GP प्रायर (prior) से प्राप्त स्वतंत्र लेटेंट फंक्शन्स ( $u_1, u_2$ $u_{1}, u_{2}$ ) के रैखिक संयोजन हैं।
- $f_e(x) = \alpha^e_1 u_1(x) + \alpha^e_2 u_2(x)$
- $f_o(x) = \alpha^o_1 u_1(x) + \alpha^o_2 u_2(x)$
Causal Inference के लिए पैरामीटरीकरण: लेखक सूचना प्रवाह (information flow) को नियंत्रित करने के लिए एक विशिष्ट, व्याख्या योग्य पैरामीटरीकरण पेश करते हैं:
$\begin{bmatrix} \alpha^e_1 \\ \alpha^e_2 \\ \alpha^o_1 \\ \alpha^o_2 \end{bmatrix} = \begin{bmatrix} 1 \\ 0 \\ \rho \\ \sqrt{1-\rho^2} \end{bmatrix}$
इससे प्राप्त होता है:
- $f_e(x) = u_1(x)$ (RCT सतह को सीधे मॉडल किया जाता है)।
- $f_o(x) = \rho f_e(x) + \sqrt{1-\rho^2} u_2(x)$ (ऑब्जर्वेशनल सतह, RCT सतह का एक स्केल किया हुआ संस्करण है और इसमें एक टास्क-विशिष्ट शोर/कन्फाउंडिंग टर्म शामिल है)।

$\rho$ (Borrowing Parameter) की भूमिका

$\rho \in (0, 1)$ ऑब्जर्वेशनल डेटा से "उधार लेने" (borrowing) की डिग्री को नियंत्रित करता है।
$\rho \to 1$ : अधिकतम उधार लेना (ऑब्जर्वेशनल डेटा हावी रहता है)।
$\rho \to 0$ : कोई उधार नहीं लेना (RCT डेटा हावी रहता है)।
Variance Bound (Proposition 1): एक प्रमुख सैद्धांतिक योगदान यह प्रमाण है कि RCT अनुमान का पोस्टीरियर वेरिएंस (posterior variance), $V^e(x^*)$ $V^{e} (x^{*})$ , $(1-\rho^2)V^e_{D_e}(x^*)$ $(1 - ρ^{2}) V_{D_{e}}^{e} (x^{*})$ द्वारा लोअर-बाउंडेड है, जहाँ $V^e_{D_e}$ $V_{D_{e}}^{e}$ केवल RCT डेटा का वेरिएंस है।
- निहितार्थ: भले ही ऑब्जर्वेशनल सैंपल साइज ( $n_o$ ) अनंत तक पहुँच जाए, अनुमान में अनिश्चितता मनमाने ढंग से कम नहीं हो सकती। यह मॉडल को अदृश्य कन्फाउंडिंग की उपस्थिति में अत्यधिक आत्मविश्वासी (overconfident) होने से रोकता है।

ट्यूनिंग और अनुमान (Tuning and Estimation)

Data-Adaptive Selection: मार्जिनल लाइकलीहुड को मैक्सिमाइज करने के बजाय (जो बड़े ऑब्जर्वेशनल डेटासेट पर ओवरफिट हो सकता है), $\rho$ को एक होल्ड-आउट RCT सबसेट पर 5-fold cross-validation के माध्यम से चुना जाता है। उद्देश्य RMSE को कम करना है, जिसमें उन RCT रोगियों को अधिक वेटेज दिया जाता है जो ऑब्जर्वेशनल आबादी के समान हैं (एक्सट्रपलेशन को अनुकूलित करने के लिए)।
CATE Estimation: फ्रेमवर्क एक T-learner दृष्टिकोण का उपयोग करता है, जो $\tau(x) = f_e^1(x) - f_e^0(x)$ के पोस्टीरियर डिस्ट्रीब्यूशन को प्राप्त करने के लिए ट्रीटमेंट ( $A=1$ ) और कंट्रोल ( $A=0$ ) आर्म्स के लिए अलग-अलग ICMs को फिट करता है।

3. मुख्य योगदान (Key Contributions)

नया Bayesian Nonparametric Model: Causal-ICM पेश करता है, जो एक मल्टी-टास्क GP फ्रेमवर्क है जिसे विशेष रूप से कॉज़ल डेटा फ्यूजन के लिए डिज़ाइन किया गया है, जो बायस फंक्शन या CATE संरचना के बारे में मजबूत पैरामीट्रिक धारणाओं से बचता है।
Bias के विरुद्ध सैद्धांतिक सुरक्षा: यह सिद्ध करता है कि मॉडल ऑब्जर्वेशनल डेटासेट से सूचना प्रवाह को सीमित करता है। पोस्टीरियर वेरिएंस बाउंडेड है, यह सुनिश्चित करता है कि बड़े ऑब्जर्वेशनल सैंपल आकार बायस्ड अनुमानों के आसपास अनिश्चितता अंतराल को कृत्रिम रूप से संकुचित न करें।
Data-Adaptive Hyperparameter Tuning: यह $\rho$ को चुनने के लिए एक क्रॉस-वैलिडेशन प्रक्रिया प्रस्तावित करता है, जो परिशुद्धता लाभ (precision gains) और बायस जोखिमों के बीच संतुलन बनाता है।
मजबूत एक्सट्रपलेशन (Robust Extrapolation): यह कोवेरिएट स्पेस के उन क्षेत्रों में उपचार प्रभावों का सटीक अनुमान लगाने की क्षमता प्रदर्शित करता है जो RCT द्वारा कवर नहीं किए गए हैं, जो व्यापक सपोर्ट का लाभ उठाते हुए भी वैध अनिश्चितता परिमाणीकरण बनाए रखता है।

4. परिणाम (Results)

लेखकों ने व्यापक सिमुलेशन और एक वास्तविक दुनिया के डेटासेट (Tennessee STAR अध्ययन) के माध्यम से Causal-ICM का मूल्यांकन किया।

सिमुलेशन अध्ययन:
- Linear बनाम Non-linear: गैर-रैखिक CATE और गैर-रैखिक कन्फाउंडिंग वाले परिदृश्यों में, Causal-ICM ने अत्याधुनिक तरीकों (जैसे, Integrative HTE, Elastic HTE, Experimental Grounding) से काफी बेहतर प्रदर्शन किया, जो अक्सर रैखिक धारणाओं पर निर्भर रहते हैं।
- Uncertainty Quantification: Causal-ICM ने विश्वसनीय अंतराल (credible intervals) के लिए लगभग नाममात्र (95%) कवरेज प्राप्त किया। इसके विपरीत, ऑब्जर्वेशनल-ओनली विधियों ने बढ़ते सैंपल साइज के साथ अत्यधिक आत्मविश्वासी अंतराल (लगभग 0% कवरेज) दिखाए, जो बायस को पहचानने में विफल रहे।
- Scalability: विधि ऑब्जर्वेशनल सैंपल साइज बढ़ने पर भी मजबूत बनी रही, जबकि Integrative HTE जैसी विधियां मॉडल मिस-स्पेसिफिकेशन के तहत खराब प्रदर्शन करने लगीं।
वास्तविक दुनिया का डेटा (Tennessee STAR):
- छात्र टेस्ट स्कोर पर क्लास साइज के प्रभाव का अनुमान लगाने के लिए लागू किया गया।
- Causal-ICM ने प्रतिस्पर्धी RMSE (6.29) प्राप्त किया, जो सबसे अच्छे बेसलाइन (Random Forests के साथ Experimental Grounding: 6.27) के तुलनीय है, और ऑब्जर्वेशनल-ओनली T-learner (7.47) या Integrative HTE (11.84) से काफी बेहतर है।
Extrapolation: मॉडल ने RCT सपोर्ट के बाहर के क्षेत्रों में सटीक अनुमान प्रदान करने और अनिश्चितता को बढ़ाने में सफलता प्राप्त की, जो एक महत्वपूर्ण विशेषता है।

5. महत्व (Significance)

Causal-ICM, कॉज़ल इंफरेंस और डेटा फ्यूजन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है:

सिद्धांत आधारित अनिश्चितता (Principled Uncertainty): यह डेटा फ्यूजन की महत्वपूर्ण समस्या "ओवरकॉन्फिडेंस" को हल करता है, जहाँ बड़े ऑब्जर्वेशनल डेटासेट बायस को छिपा सकते हैं। वेरिएंस रिडक्शन को थ्योरेटिकली बाउंड करके, यह सुनिश्चित करता है कि निर्णय लेने वाले अदृश्य कन्फाउंडिंग से उत्पन्न अनिश्चितता के प्रति जागरूक रहें।
लचीलापन (Flexibility): Gaussian Processes का उपयोग करके, यह बिना किसी विशिष्ट फंक्शनल फॉर्म की आवश्यकता के जटिल, गैर-रैखिक संबंधों को कैप्चर करता है।
निर्णय समर्थन (Decision Support): पूरी लक्षित आबादी में विश्वसनीय HTE अनुमान और वैध अनिश्चितता अंतराल प्रदान करने की क्षमता, व्यक्तिगत चिकित्सा और नीतिगत निर्णयों का समर्थन करती है, विशेष रूप से उन उपसमूहों (subgroups) के लिए जो RCT में कम प्रतिनिधित्व वाले हैं।
भविष्य की दिशाएं: यह फ्रेमवर्क नॉन-गॉसियन आउटकम्स, मल्टीपल डेटा सोर्सेज और पदानुक्रमित (hierarchical) कन्फाउंडर्स को संभालने के मार्ग खोलता है, जो मल्टी-टास्क GPs को अगली पीढ़ी के साक्ष्य संश्लेषण (evidence synthesis) के लिए एक शक्तिशाली उपकरण के रूप में स्थापित करता है।