तकनीकी सारांश: हस्तक्षेप की उपस्थिति में इष्टतम उपचार आवंटन (OTAPI)

1. समस्या की परिभाषा

यह शोध पत्र नेटवर्क वातावरण में इष्टतम उपचार आवंटन (Optimal Treatment Allocation) की चुनौती को संबोधित करता है जहाँ संस्थाएँ एक-दूसरे को प्रभावित करती हैं, जिसे हस्तक्षेप (interference) या स्पिलओवर प्रभाव (spillover effects) के रूप में जाना जाता है। यह समस्या दो स्थापित क्षेत्रों के मिलन बिंदु पर स्थित है:

• प्रभाव अधिकतमकरण (Influence Maximization - IM): पारंपरिक रूप से यह $k$ सीड नोड्स (seed nodes) के चयन पर ध्यान केंद्रित करता है ताकि प्रभाव प्रसार को अधिकतम किया जा सके (जैसे, वायरल मार्केटिंग, टीकाकरण)। मानक IM दृष्टिकोण अक्सर अनुमानित प्रसार प्रक्रियाओं (जैसे, इंडिपेंडेंट कैस्केड, लीनियर थ्रेशोल्ड) और नेटवर्क संरचना (जैसे, डिग्री सेंट्रैलिटी) पर निर्भर करते हैं, लेकिन वे अक्सर नोड-विशिष्ट विशेषताओं और विषम उपचार प्रभावों की अनदेखी करते हैं।
• अपलिफ्ट मॉडलिंग (Uplift Modeling - UM): यह व्यक्तिगत उपचार प्रभावों (Individual Treatment Effects - ITE) का अनुमान लगाने और शीर्ष $k$ को चुनने के लिए संस्थाओं को रैंक करने पर केंद्रित है। हालाँकि, मानक UM संस्थाओं के बीच स्वतंत्रता (independence) का अनुमान लगाता है। नेटवर्क सेटिंग्स में, इस धारणा का उल्लंघन होता है; एक संस्था का उपचार करने से उसके पड़ोसियों के संभावित परिणाम बदल जाते हैं, जिससे सरल रैंकिंग रणनीतियाँ उप-इष्टतम (suboptimal) हो जाती हैं।

मुख्य समस्या को एक उपचार आवंटन वेक्टर $t^*$ खोजने के रूप में औपचारिक रूप दिया गया है (जहाँ $t_i \in \{0,1\}$), जो नेटवर्क में कुल उपचार प्रभाव (Total Treatment Effect - TTE) को अधिकतम करता है, जो बजट बाधा $\sum t_i \leq k$ के अधीन है। TTE, नेटवर्क में व्यक्तिगत कुल उपचार प्रभाव (Individual Total Treatment Effect - ITTE) का योग है, जो एक संस्था पर प्रत्यक्ष उपचार प्रभाव और उसके उपचारित पड़ोसियों से अप्रत्यक्ष स्पिलओवर प्रभावों दोनों को ध्यान में रखता है। लेखक नोट करते हैं कि इष्टतम $t^*$ खोजना NP-hard है।

2. कार्यप्रणाली: OTAPI

लेखक OTAPI (Optimizing Treatment Allocation in the Presence of Interference) प्रस्तावित करते हैं, जो एक दो-चरणीय ढांचा है जो कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन एल्गोरिदम के भीतर डेटा-संचालित कारण अनुमानों (causal estimates) का लाभ उठाकर UM और IM के बीच के अंतर को पाटता है।

चरण 1: संबंधात्मक कारण अनुमान (Relational Causal Estimation)

पहले चरण में विभिन्न उपचार और एक्सपोजर परिदृश्यों के तहत संभावित परिणामों की भविष्यवाणी करने के लिए अवलोकन संबंधी डेटा (observational data) पर एक संबंधात्मक कारण अनुमानक (relational causal estimator) को प्रशिक्षित करना शामिल है।

• कारण संरचना (Causal Structure): मॉडल मानता है कि एक संस्था का परिणाम $Y_i$ उसकी अपनी विशेषताओं $X_i$, उसकी अपनी उपचार $T_i$, उसके पड़ोसियों की विशेषताओं $X_{N_i}$, और उसके पड़ोसियों के उपचारों $T_{N_i}$ पर निर्भर करता है।
• एक्सपोज़र मैपिंग (Exposure Mapping): पड़ोसी उपचारों को सारांशित करने के लिए, लेखक एक एक्सपोजर मैपिंग $Z_i = \frac{\sum_{j \in N_i} T_j}{|N_i|}$ का उपयोग करते हैं, जो उपचारित पड़ोसियों के अनुपात का प्रतिनिधित्व करती है।
• अनुमानक आर्किटेक्चर (Estimator Architecture): शोध पत्र NetEst (Jiang और Sun, 2022) का उपयोग करता है, जो एक ग्राफ न्यूरल नेटवर्क (GNN) आधारित अनुमानक है। NetEst कन्फाउंडिंग बायस (confounding bias) को कम करने के लिए एडवर्सरियल रिप्रेजेंटेशन बैलेंसिंग (adversarial representation balancing) का उपयोग करता है। यह पड़ोसी विशेषताओं को एकत्रित करने के लिए एक ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) का उपयोग करता है और दो डिस्क्रिमिनेटर्स का उपयोग करता है ताकि यह सुनिश्चित किया जा सके कि सीखा गया लेटेंट रिप्रेजेंटेशन $\phi_i$, उपचार असाइनमेंट $T_i$ और एक्सपोजर $Z_i$ के प्रति अपरिवर्तनीय (invariant) है।
• आउटपुट: प्रशिक्षित मॉडल किसी भी दिए गए आवंटन के लिए व्यक्तिगत कुल उपचार प्रभाव (ITTE), जिसे $\hat{\omega}_i(t_i, z_i)$ द्वारा दर्शाया गया है, का अनुमान लगाता है।

चरण 2: अनुकूलन (Optimization)

दूसरा चरण $k$ नोड्स के इष्टतम सेट को खोजने के लिए एक कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन एल्गोरिदम के लिए चरण 1 से प्राप्त ITTE अनुमानों का उपयोग ऑब्जेक्टिव फंक्शन के रूप में करता है।

• एल्गोरिदम चयन: चूंकि समस्या NP-hard है, OTAPI, IM साहित्य से हीयुरिस्टिक्स (heuristics) का उपयोग करता है। लेखक दो संस्करण लागू करते हैं:
  • OTAPI-GR: एक ग्रीडी एल्गोरिदम (Greedy Algorithm) का उपयोग करता है जो अनुमानित TTE में उच्चतम मार्जिनल गेन देने वाले नोड को पुनरावृत्ति (iteratively) से जोड़ता है।
    कrossover और mutation का उपयोग करके उपचार आवंटन वेक्टर्स की एक आबादी को विकसित करने के लिए जेनेटिक एल्गोरिदम (Genetic Algorithm) का उपयोग करता है, जिसमें अनुमानित TTE फिटनेस फंक्शन के रूप में कार्य करता है।
• लचीलापन (Flexibility): यह ढांचा उपयोग किए गए विशिष्ट कारण अनुमानक या अनुकूलन एल्गोरिदम के प्रति उदासीन (agnostic) है, जिससे अन्य संबंधात्मक अनुमानकों या हीयुरिस्टिक्स (जैसे, सिम्युलेटेड एनीलिंग) के एकीकरण की अनुमति मिलती है।

3. मुख्य योगदान

1. समस्या का औपचारिकीकरण: लेखक हस्तक्षेप की उपस्थिति में इष्टतम उपचार आवंटन की समस्या को औपचारिक रूप देते हैं, जो नेटवर्क संदर्भ में ITTE और TTE को स्पष्ट रूप से परिभाषित करता है जहाँ पारंपरिक निरंतरता धारणाओं (consistency assumptions) को शिथिल किया गया है।
2. OTAPI ढांचा: वे एक नया दो-चरणीय तरीका पेश करते हैं जो क्लासिक IM ऑप्टिमाइज़ेशन एल्गोरिदम के साथ संबंधात्मक कारण अनुमान (relational causal inference) को एकीकृत करता है, जो शुद्ध रैंकिंग (UM) या शुद्ध संरचनात्मक हीयुरिस्टिक्स (IM) की सीमाओं से आगे बढ़ता है।
3. अनुभवजन्य सत्यापन: सिंथेटिक और अर्ध-सिंथेटिक डेटासेट (BlogCatalog, Flickr, Enron) पर व्यापक प्रयोग यह प्रदर्शित करते हैं कि OTAPI पारंपरिक बेसलाइनों से बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने कई बेसलाइनों के विरुद्ध OTAPI का मूल्यांकन किया:

• बेसलाइन: डिग्री (DEG), सिंगल डिस्काउंट (SD), CELF (डिफ्यूजन सिमुलेशन के साथ क्लासिक IM), और TARNet (बिना नेटवर्क जानकारी के मानक UM)। एक "ओरेकल ग्रीडी" (OG) जिसने वास्तविक डेटा-जनरेटिंग प्रक्रिया का उपयोग किया, एक ऊपरी सीमा (upper bound) के रूप में कार्य किया।
• मेट्रिक्स: प्रदर्शन को लिफ्टअप (Liftup) (रैंडम आवंटन पर TTE में सापेक्ष वृद्धि) और RISEO (अपेक्षित परिणामों के योग में सापेक्ष वृद्धि) का उपयोग करके मापा गया।

प्रमुख निष्कर्ष:

• बेहतर प्रदर्शन: OTAPI (दोनों GR और GA संस्करण) विभिन्न बजट आकारों ($k$) और स्पिलओवर परिमाण ($\beta_{spillover}$) में लगातार सभी बेसलाइनों से बेहतर प्रदर्शन करता है।
• स्पिलओवर के प्रति मजबूती: जैसे-जैसे स्पिलओवर प्रभाव का परिमाण बढ़ता गया, TARNet (UM) का प्रदर्शन काफी गिर गया, जबकि OTAPI ने हस्तक्षेप को स्पष्ट रूप से मॉडल करके उच्च प्रदर्शन बनाए रखा।
• बजट संवेदनशीलता:
  • छोटे बजट के लिए, नेटवर्क-संरचना-आधारित तरीके (DEG, SD) पावर-लॉ डिग्री वितरण के कारण काफी अच्छा प्रदर्शन करते हैं।
  • जैसे-जैसे बजट बढ़ता है, TARNet अधिक प्रतिस्पर्धी हो जाता है क्योंकि व्यक्तिगत उपचार प्रभाव (MITE) स्पिलओवर प्रभावों की तुलना में अधिक प्रभावी हो जाते हैं।
  • OTAPI ने स्पिलओवर प्रभावों और MITEs दोनों को सफलतापूर्वक कैप्चर किया, और पूरे बजट रेंज में अच्छा प्रदर्शन किया।
• सामान्यीकरण (Generalization): OTAPI ने विभिन्न नेटवर्क टोपोलॉजी (Barabási-Albert बनाम Watts-Strogatz), डेटासेट आकार और फीचर आयामीता (dimensionality) में अपना लाभ बनाए रखा।
• रनटाइम: जबकि ग्रीडी संस्करण (OTAPI-GR) बार-बार TTE गणनाओं के कारण नेटवर्क आकार के साथ खराब स्केल करता है, जेनेटिक एल्गोरिदम संस्करण (OTAPI-GA) ने डेटासेट के आकार के साथ केवल रनटाइम में मामूली वृद्धि दिखाई, जो बड़े नेटवर्क के लिए अधिक स्केलेबल समाधान प्रदान करता है।

5. महत्व और सीमाएं

महत्व:
शोध पत्र का दावा है कि OTAPI, प्रभाव अधिकतमकरण (IM) और अपलिफ्ट मॉडलिंग (UM) के बीच एक महत्वपूर्ण अंतर को भरता है। डेटा-संचित कारण प्रभाव अनुमान को कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन के साथ जोड़कर, यह हस्तक्षेप की उपस्थिति में उपचार आवंटन के लिए अधिक मजबूत समाधान प्रदान करता है। लेखक तर्क देते हैं कि केवल नोड रैंकिंग (UM) या अनुमानित प्रसार मॉडल (IM) पर निर्भर रहने से उप-इष्टतम निर्णय लेने में मदद मिलती है, जबकि OTAPI व्यक्तिगत विषमता और नेटवर्क गतिशीलता दोनों का लाभ उठाता है।

सीमाएं और भविष्य का कार्य:
लेखकों ने कई सीमाओं को स्वीकार किया है:

• कारण धारणाएं (Causal Assumptions): वर्तमान मॉडल एक विशिष्ट कारण संरचना मानता है जो संक्रमण प्रभावों (contagion effects) (जहाँ समय $t$ पर एक परिणाम समय $t+1$ पर दूसरे को प्रभावित करता है) को बाहर करता है।
• एक्सपोज़र मैपिंग: सरल एक्सपोजर मैपिंग (उपचारित पड़ोसियों का अनुपात) पर निर्भरता सभी व्यावहारिक परिदृश्यों में लागू नहीं हो सकती है। हालाँकि, वे नोट करते हैं कि OTAPI मॉड्यूलर है और इस धारणा को शिथिल करने वाले अधिक जटिल अनुमानकों को समायोजित कर सकता है।
• अनुमान त्रुटि (Estimation Error): कारण अनुमानक में त्रुटियां ऑप्टिमाइज़ेशन चरण तक फैल सकती हैं। लेखक भविष्य के दिशा-निर्देश के रूप में ऐसे एंड-टू-एंड (end-to-end) दृष्टिकोणों की जांच करने का सुझाव देते हैं जहाँ उपचार आवंटन को सीधे इनपुट डेटा से सीखा जा सकता है।
• लागत-लाभ विश्लेषण: वर्तमान ढांचा इष्टतम बजट $k^*$ निर्धारित करने के लिए उपचार की लागत या परिणामों के आर्थिक मूल्य को स्पष्ट रूप से शामिल नहीं करता है, जिसे वे भविष्य के अनुसंधान के लिए एक आशाजनक क्षेत्र के रूप में पहचानते हैं।