📊 statistics

A General Marked Point Process Framework For Self-Exciting Network Evolution

यह शोध पत्र स्व-उत्तेजक नेटवर्क (self-exciting networks) के निरंतर-समय विकास को मॉडल करने के लिए पाथ-डिपेंडेंट नॉनलीनर मार्क्ड हॉक्स प्रक्रियाओं (path-dependent nonlinear marked Hawkes processes) पर आधारित एक नवीन, सुव्यवस्थित ढांचे का प्रस्ताव करता है, जो सामाजिक नेटवर्क डेटा के एक प्रदर्शित अनुप्रयोग के माध्यम से अपडेट समय और नेटवर्क संरचना पर लचीली संयुक्त अनुमान (joint inference) को सक्षम बनाता है।

मूल लेखक: Duncan A Clark, Conor J. Kresin, Charlotte M. Jones-Todd

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Duncan A Clark, Conor J. Kresin, Charlotte M. Jones-Todd

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 खाली भूखंड से लेकर एक विशाल महानगर बनते हुए एक हलचल भरे शहर को बढ़ते हुए देख रहे हैं। आप यह समझना चाहते हैं कि नई इमारतें क्यों दिखाई देती हैं, वे कब दिखाई देती हैं, और वे मौजूदा शहर से कैसे जुड़ती हैं।

अधिकांश पारंपरिक मॉडल इसे एक स्थिर मानचित्र की तरह मानते हैं: वे बने हुए शहर को देखते हैं और फिर नियमों का अनुमान लगाने की कोशिश करते हैं। अन्य निर्माण की समयरेखा को देखते हैं लेकिन इमारतों के आकार की अनदेखी करते हैं।

यह शोध पत्र इस विचार को वास्तविक समय में शहर को बढ़ते हुए देखने का एक नया, शक्तिशाली तरीका पेश करता है। लेखक इसे HawkesNet कहते हैं। इसे एक "स्मार्ट कैमरा" के रूप में सोचें जो न केवल यह रिकॉर्ड करता है कि कब एक इमारत बनाई गई, बल्कि यह भी कि वह किस प्रकार की इमारत है और वह पड़ोस को कैसे बदलती है।

यहाँ उनके विचार का सरल उपमाओं का उपयोग करके विवरण दिया गया है:

1. मुख्य विचार: "सोशल बटरफ्लाई" प्रभाव (The "Social Butterfly" Effect)

वास्तविक दुनिया में, लोग (या नेटवर्क में नोड्स) अक्सर दौरों या उछालों (bursts) में कार्य करते हैं। यदि आप एक मज़ेदार वीडियो पोस्ट करते हैं, तो आपके दोस्त तुरंत कमेंट कर सकते हैं। वे कमेंट अन्य दोस्तों से और अधिक कमेंट करने के लिए प्रेरित कर सकते हैं। इसे स्व-उत्तेजना (self-excitation) कहा जाता है।

पुराना तरीका: कल्पना कीजिए कि एक मॉडल कहता है, "औसतन, प्रति घंटे 5 लोग कमेंट करते हैं।" यह हर मिनट को स्वतंत्र मानता है।
HawkesNet का तरीका: यह मॉडल समझता है कि जैसे ही आप पोस्ट करते हैं, कमरे का "तापमान" बढ़ जाता है। अगला कमेंट अगले 5 मिनट में होने की संभावना 5 घंटे बाद की तुलना में बहुत अधिक होती है। यह मानवीय बातचीत की इस अचानक होने वाली (bursty) प्रकृति को पकड़ता है।

2. बड़ा नवाचार: "द मार्क्ड पॉइंट प्रोसेस" (The "Marked Point Process")

यह एक तकनीकी गणितीय शब्द है, लेकिन यहाँ इसका सरल संस्करण है:

एक घटनाओं की समयरेखा की कल्पना करें।

पॉइंट (The Point): वह समय जब कुछ होता है (जैसे, "रात 2:00 बजे, एक नया व्यक्ति पार्टी में शामिल हुआ")।
मार्क (The Mark): जो हुआ उसका कंटेंट (जैसे, "वे अपने साथ 3 नए दोस्त लाए और होस्ट के साथ बातचीत शुरू की")।

अधिकांश मॉडल दोनों (समय और कंटेंट) को एक साथ अनुमान लगाने में संघर्ष करते हैं। वे आमतौर पर कहते हैं, "हमें पता है कि यह कब होता है, लेकिन कंटेंट रैंडम है," या इसके विपरीत।

HawkesNet समय और कंटेंट को एक एकल, अविभाज्य पैकेज के रूप में मानता है।

उपमा: एक पहाड़ी से नीचे लुढ़कते हुए हिमपिंड (snowball) के बारे में सोचें।
- वह समय जब वह लुढ़कता है, वह "पॉइंट" है।
- हिमपिंड का आकार और रूप (उसने कितनी बर्फ इकट्ठा की) "मार्क" है।
- शोध पत्र का तर्क है कि आप यह अनुमान नहीं लगा सकते कि हिमपिंड का आकार क्या होगा बिना यह जाने कि वह कितनी तेज़ी से लुढ़क रहा है, और आप बिना यह जाने गति का अनुमान नहीं लगा सकते कि उसमें कितनी बर्फ है। वे एक-दूसरे को प्रभावित करते हैं।

3. "डायनेमिक मार्क स्पेस" (The "Dynamic Mark Space" - आकार बदलने वाली पहेली)

यह इस शोध पत्र का सबसे चतुर हिस्सा है।

एक सामान्य पहेली (puzzle) में, टुकड़े निश्चित होते हैं। एक नेटवर्क में, "टुकड़े" (कौन किससे जुड़ सकता है) नेटवर्क के बढ़ने के साथ बदलते हैं।

परिदृश्य: आप एक सम्मेलन (conference) में हैं। आप दो लोगों को तभी परिचय करा सकते हैं जब वे दोनों वहां मौजूद हों।
समस्या: यदि आप इसे निश्चित नियमों के साथ मॉडल करने का प्रयास करते हैं, तो आप फंस जाते हैं।
समाधान: HawkesNet एक डायनेमिक मार्क स्पेस का उपयोग करता है। कल्पना कीजिए कि पहेली का बोर्ड स्वयं जीवित है। जैसे-जैसे नए लोग आते हैं, बोर्ड फैलता है, और नए "वैध चालें" (edges) तुरंत प्रकट होती हैं। मॉडल जानता है कि आप व्यक्ति A को व्यक्ति B से तब तक नहीं जोड़ सकते जब तक कि व्यक्ति B अभी तक आया न हो। यह नेटवर्क की वर्तमान स्थिति के आधार पर वास्तविक समय में अपने नियमों को अनुकूलित करता है।

4. नेटवर्क बनाने के दो तरीके

लेखक दिखाते हैं कि इस मॉडल के काम करने के दो विशिष्ट तरीके हैं, जैसे दो अलग-अलग वास्तुकार (architects):

"लोकप्रिय बच्चा" दृष्टिकोण (Preferential Attachment): नए लोग उन लोगों से जुड़ने की प्रवृत्ति रखते हैं जो पहले से ही पार्टी में सबसे लोकप्रिय हैं। यदि किसी के 100 दोस्त हैं, तो एक व्यक्ति जिसके 1 दोस्त है, उसकी तुलना में उसे नया दोस्त मिलने की संभावना 100 गुना अधिक होती है। यह समझाता है कि क्यों कुछ नेटवर्क "स्केल-फ्री" (कुछ सुपर-हब, कई छोटे नोड्स) बन जाते हैं।
"सामाजिक तर्क" दृष्टिकोण (Change Statistics): यह अधिक मानवीय मनोविज्ञान जैसा है। लोग विशिष्ट पैटर्न के आधार पर जुड़ते हैं:
- "मुझे उन लोगों से जुड़ना पसंद है जिनके बीच एक साझा मित्र है" (Triadic closure)।
- "मुझे उन लोगों से जुड़ना पसंद है जो अभी सक्रिय हैं।"
- "मैं उन लोगों से जुड़ने से बचता हूँ जो नेटवर्क में बहुत दूर हैं।"
  मॉडल इन "सामाजिक नियमों" को यह देखकर सीखता है कि जब एक नया किनारा (edge) जोड़ा जाता है तो नेटवर्क कैसे बदलता है।

5. यह क्यों महत्वपूर्ण है ("कॉन्फ्रेंस" परीक्षण)

इसे सिद्ध करने के लिए, लेखकों ने ACM Hypertext 2009 सम्मेलन के वास्तविक डेटा पर HawkesNet का परीक्षण किया। उन्होंने सेकंड-दर-सेकंड ट्रैक किया कि कौन किससे बात कर रहा था।

परिणाम: मॉडल ने सफलतापूर्वक भविष्यवाणी की कि लोग छोटे समूह (त्रिकोण/triangles) बनाने की प्रवृत्ति रखते हैं और जब कोई नई बातचीत में प्रवेश करता है तो गतिविधि बढ़ जाती है।
निष्कर्ष: इसने दिखाया कि बातचीत का समय और बातचीत का प्रकार गहराई से जुड़े हुए हैं। आप केवल टाइमलाइन को देखकर, या केवल संरचना को देखकर, नेटवर्क को नहीं समझ सकते। आपको दोनों की आवश्यकता है।

सारांश

HawkesNet एक नया सांख्यिकीय उपकरण है जो बढ़ते नेटवर्क को एक जीवित, सांस लेते जीव की तरह मानता है। यह समझता है कि:

घटनाएं और अधिक घटनाओं को जन्म देती हैं (स्व-उत्तेजना)।
"क्या" और "कब" आपस में जुड़े हुए हैं (गैर-पृथक/Non-separable)।
जुड़ने के नियम नेटवर्क के बढ़ने के साथ बदलते हैं (डायनेमिक मार्क स्पेस)।

यह शोधकर्ताओं को अंततः यह पूछने और उत्तर देने की अनुमति देता है कि: "क्या नेटवर्क का विकास यादृच्छिक संयोग के कारण हो रहा है, या विशिष्ट सामाजिक नियमों के कारण जो समय के साथ विकसित होते हैं?" और यह एक ऐसे गणितीय ढांचे के साथ करता है जो स्थिर, अनुमानित और वास्तविक दुनिया के डेटा के लिए तैयार है।

यहाँ क्लार्क, क्रेसिन और जोन्स-टोड के शोध पत्र "A General Marked Point Process Framework for Self-Exciting Network Evolution" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गतिशील नेटवर्क (जैसे, सामाजिक अंतःक्रियाएं, प्रोटीन अंतःक्रियाएं, सह-लेखकता) निरंतर समय में जटिल निर्भरताओं के साथ विकसित होते हैं, जहाँ अपडेट कब होते हैं (समय/timing) और क्या अपडेट होते हैं (टोपोलॉजी/topology) के बीच गहरा संबंध होता है।

मौजूदा मॉडलों की सीमाएँ:
- डिस्क्रीट-टाइम मॉडल (जैसे, SAOM, TERGM, STERGM): ये समय को डिस्क्रीट चरणों के रूप में देखते हैं और अक्सर यह मान लेते हैं कि नोड्स का सेट स्थिर है, जिससे वे नोड्स के आगमन या वास्तविक दुनिया की अंतःक्रियाओं की निरंतर प्रकृति को मॉडल करने में विफल रहते हैं।
- मानक पॉइंट प्रोसेस (Standard Point Processes): जबकि हॉक्स प्रक्रियाएं (Hawkes processes) स्व-उत्तेजना (self-excitation) को मॉडल करती हैं (जहाँ पिछले इवेंट्स भविष्य के इवेंट्स की संभावना को बढ़ा देते हैं), शास्त्रीय फॉर्मूलेशन अक्सर पृथक्करणीयता (separability) मानकर चलते हैं। इसका अर्थ है कि घटनाओं का समय और घटना की प्रकृति (द मार्क/mark) इतिहास के दिए गए होने पर सशर्त स्वतंत्र होते हैं।
- मुख्य मुद्दा: नेटवर्क विकास में, समय और टोपोलॉजी गैर-पृथक्करणीय (non-separable) होते हैं। वर्तमान नेटवर्क संरचना भविष्य के अपडेट की दर को प्रभावित करती है (उदाहरण के लिए, एक अत्यधिक जुड़ा हुआ नोड अधिक किनारों/edges को आकर्षित करता है), और अपडेट का समय नेटवर्क की संरचना को प्रभावित करता है (उदाहरण के लिए, गतिविधियों के उछाल से विशिष्ट मोटिफ्स/motifs बनते हैं)। मौजूदा मॉडल या तो इस फीडबैक लूप को अनदेखा करते हैं या प्रतिबंधात्मक मार्कोवियन मान्यताओं पर निर्भर करते हैं जो दीर्घकालिक इतिहास को त्याग देते हैं।

2. कार्यप्रणाली (Methodology)

लेखक HawkesNet प्रस्तावित करते हैं, जो एक नवीन ढांचा है जो नेटवर्क विकास को एक Mark Path Dependent Marked Point Process (MPP) के रूप में मॉडल करता है।

A. सैद्धांतिक ढांचा (Theoretical Framework)

मार्क्ड पॉइंट प्रोसेस (MPP): नेटवर्क को घटनाओं के एक अनुक्रम $(t_i, m_i)$ के रूप में देखा जाता है, जहाँ $t_i$ एक अपडेट का समय है और $m_i$ "मार्क" है जो विशिष्ट परिवर्तन (नए नोड्स और/या किनारे) का प्रतिनिधित्व करता है।
डायनेमिक मार्क स्पेस (Dynamic Mark Space): एक निश्चित मार्क स्पेस वाले मानक MPPs के विपरीत, HawkesNet एक डायनेमिक मार्क स्पेस ( $\mathcal{M}_t$ ) का उपयोग करता है। स्वीकार्य अपडेटों का सेट वर्तमान नेटवर्क की स्थिति $\mathcal{G}_{t-}$ पर निर्भर करता है। उदाहरण के लिए, एक किनारा केवल उन्हीं नोड्स के बीच जोड़ा जा सकता है जो मौजूद हैं (या साथ में जोड़े जाते हैं)।
गैर-पृथक्करणीय तीव्रता (Non-Separable Intensity): सप्रतिबंध तीव्रता $\lambda(t, m | \mathcal{H}_t)$ $λ (t, m ∣ H_{t})$ को इस प्रकार विभाजित किया गया है:
$\lambda(t, m | \mathcal{H}_t) = \lambda_g(t | \mathcal{H}_t) \times q(m | t, \mathcal{H}_t)$
- $\lambda_g$ : ग्राउंड इंटेंसिटी (किसी भी अपडेट के होने की दर)।
- $q$ : मार्क PMF (किस विशिष्ट अपडेट के होने की प्रायिकता वितरण है)।
- महत्वपूर्ण नवाचार: दोनों घटक पूर्ण 'मार्क्ड हिस्ट्री' $\mathcal{H}_t$ पर निर्भर हैं। यह टोपोलॉजी-टाइमिंग फीडबैक की अनुमति देता है: नेटवर्क संरचना अपडेट की दर को प्रभावित करती है, और समय नेटवर्क के संरचनात्मक विकास को प्रभावित करता है।

B. मार्क पाथ डिपेंडेंस (Mark Path Dependence)

यह ढांचा Mark Path Dependent Hawkes Processes पेश करता है। शास्त्रीय रैखिक हॉक्स प्रक्रियाओं में, पिछले इवेंट का प्रभाव उसके जन्म के समय स्थिर रहता है। HawkesNet में, एक पिछले अपडेट (जैसे, एक किनारा) का प्रभाव समय के साथ बदल सकता है क्योंकि नेटवर्क विकसित होता है (उदाहरण के लिए, वह किनारा एक त्रिकोण या उच्च-डिग्री क्लस्टर का हिस्सा बन जाता है)। उत्तेजना कर्नेल (excitation kernel) $g$ केवल घटना के बीते हुए समय पर ही नहीं, बल्कि वर्तमान ग्राफ अवस्था पर भी निर्भर करता है।

C. विशिष्ट मॉडल विनिर्देश (Specific Model Specifications)

लेखक $q$ के लिए दो प्रेरित मॉडल प्रस्तावित करते हैं:

प्रिफरेंशियल अटैचमेंट (BA-style): नए नोड्स मौजूदा नोड्स से उनके समय-क्षयित डिग्री (time-decayed degree) के आनुपातिक रूप से जुड़ते हैं।
चेंज स्टैटिस्टिक (CS-style): ERGM से प्रेरित, एक किनारे के जुड़ने से नेटवर्क सांख्यिकी (जैसे, त्रिकोण, $k$ -stars, साझा पार्टनर) में होने वाले परिवर्तन द्वारा किनारे की प्रायिकता निर्धारित होती है। यह ट्रांसिटिविटी (transitivity) और होमोफिली (homophily) जैसे जटिल संरचनात्मक निर्भरताओं की अनुमति देता है।

D. सैद्धांतिक गारंटी (Theoretical Guarantees)

सुव्यवस्थितता (Well-Posedness): लेखक प्रक्रिया की अस्तित्व, पाथवाइज विशिष्टता (pathwise uniqueness) और गैर-विस्फोट (non-explosion/stability) को सिद्ध करते हैं।
स्थिरता की शर्तें (Stability Conditions): वे मार्क्ड इतिहास पर एक कॉन्ट्रैक्शन तर्क (contraction argument) का उपयोग करके स्थिरता के लिए पर्याप्त स्थितियाँ स्थापित करते हैं। मुख्य आवश्यकताएं हैं:
- क्षय (Decay): पिछले इवेंट्स का प्रभाव समय के साथ कम होना चाहिए।
- संतृप्ति/सीमा (Saturation/Boundedness): तीव्रता पर नेटवर्क सांख्यिकी का प्रभाव सीमित होना चाहिए (जैसे, लॉजिस्टिक लिंक्स का उपयोग करके), ताकि ऐसी सुपरक्रिटिकल कैस्केड को रोका जा सके जहाँ नेटवर्क सीमित समय में अनंत रूप से विस्फोट कर जाए।

E. अनुमान और सिमुलेशन (Inference and Simulation)

लाइकलीहुड (Likelihood): उन्होंने एक सुलभ लॉग-लाइकलीहुड फंक्शन व्युत्पन्न किया है। $\lambda = \lambda_g q$ के अपघटन का उपयोग करके, कॉम्पनसेटर टर्म (मार्क स्पेस पर इंटीग्रल) केवल ग्राउंड रेट पर इंटीग्रल में सरल हो जाता है, जिससे विशाल डायनेमिक मार्क स्पेस पर गणना का बोझ बच जाता है।
$\ell(\theta) = \sum \log q(m_i) + \sum \log \lambda_g(t_i) - \int \lambda_g(t) dt$
सिमुलेशन: वे डायनेमिक मार्क स्पेस वाले मार्क्ड प्रोसेस के लिए अनुकूलित ओगाटा थिनिंग एल्गोरिदम (Ogata's thinning algorithm) का उपयोग करके सटीक सिमुलेशन उत्पन्न करते हैं।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): यह निरंतर-समय नेटवर्क विकास के लिए पहला सिद्धांत-आधारित, लाइकलीहुड-आधारित ढांचा प्रदान करता है जो गैर-पृथक्करणीय निर्भरता के साथ अपडेट के समय और टोपोलॉजी को संयुक्त रूप से मॉडल करता है।
मार्क पाथ डिपेंडेंस (Mark Path Dependence): उन हॉक्स प्रक्रियाओं के लिए मार्क पाथ डिपेंडेंस को औपचारिक रूप देता है और स्थिरता सिद्ध करता है जहाँ उत्तेजना कर्नेल केवल घटना के समय पर नहीं, बल्कि विकसित होती ग्राफ अवस्था पर निर्भर करता है।
कंप्यूटेशनल सुगमता (Computational Tractability): यह प्रदर्शित करता है कि डायनेमिक मार्क स्पेस की जटिलता के बावजूद, ग्राउंड रेट और मार्क प्रायिकता को अलग करके लाइकलीहुड मूल्यांकन संभव है, जिससे मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) सक्षम होता है।
सॉफ्टवेयर कार्यान्वयन (Software Implementation): सिमुलेशन और अनुमान की सुविधा के लिए ओपन-सोर्स R पैकेज hawkesNet पेश करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Study):
- लेखकों ने प्रिफरेंशियल अटैचमेंट और चेंज स्टैटिस्टिक मॉडल दोनों के लिए 100 रियलाइजेशन का सिमुलेशन किया।
- पैरामीटर रिकवरी (Parameter Recovery): MLE ने स्थिर शासन (stable regimes) में मार्क डिस्ट्रीब्यूशन (संरचनात्मक पैरामीटर) और ग्राउंड रेट्स (अस्थायी पैरामीटर) के लिए वास्तविक पैरामीटर्स को सफलतापूर्वक प्राप्त किया।
- निरंतरता (Consistency): जैसे-जैसे अवलोकन विंडो $T$ बढ़ी, एस्टिमेटर्स का वेरिएंस कम हुआ, और RMSE घट गया, जो अनुभवजन्य निरंतरता (empirical consistency) की पुष्टि करता है।
- स्थिरता (Stability): अध्ययन ने स्थिर (रैखिक विकास) और सुपरक्रिटिकल (घातांकीय विस्फोट) शासन के बीच अंतर को उजागर किया, जिससे सैद्धांतिक स्थिरता शर्तों की पुष्टि हुई।
वास्तविक दुनिया का अनुप्रयोग (ACM Hypertext 2009):
- इसे कॉन्फ्रेंस प्रतिभागियों के गतिशील आमने-सामने के संपर्क नेटवर्क (face-to-face contact network) पर लागू किया गया।
- मॉडल फिट (Model Fit): चेंज स्टैटिस्टिक (GWESP और GWDEG शब्दों के साथ) मॉडल ने देखी गई नेटवर्क संरचना को सफलतापूर्वक कैप्चर किया, जिसमें डिग्री डिस्ट्रीब्यूशन, एडजाइसेरी शेयरड पार्टनर्स (त्रिकोणीय क्लोजर), और जियोडेसिक दूरी शामिल हैं।
- व्याख्या (Interpretation): परिणामों ने पुष्टि की कि सामाजिक क्लोजर (त्रिकोण) और लोकप्रियता (डिग्री) किनारे के निर्माण को संचालित करते हैं, और निष्क्रिय नोड्स समय के साथ कम "आकर्षक" होते जाते हैं (टाइम डिके)।
- गुडनेस-ऑफ-फिट (Goodness-of-Fit): सिमुलेशन-आधारित डायग्नोस्टिक्स ने दिखाया कि मॉडल जटिल संरचनात्मक विशेषताओं को सटीक रूप से पुनरुत्पादित करता है, जिन्हें सरल मॉडल (जैसे, मानक ERGMs या रैखिक हॉक्स) पकड़ने में विफल रहे।

5. महत्व (Significance)

सांख्यिकीय कठोरता (Statistical Rigor): यह वर्णनात्मक नेटवर्क मॉडल से आगे बढ़कर निरंतर-समय नेटवर्क के लिए एक जेनरेटिव, लाइकलीहुड-आधारित सांख्यिकीय अनुमान उपकरण प्रदान करता है।
जटिलता का प्रबंधन (Handling Complexity): यह हर संभावित किनारे को एक अलग आयाम के रूप में मानने की आवश्यकता के बिना (जैसा कि मल्टीवेरिएट हॉक्स प्रक्रियाओं में होता है) जटिल संरचनात्मक निर्भरताओं को कैप्चर करते हुए नेटवर्क मॉडलिंग की "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) को हल करता है।
यथार्थवाद (Realism): नेटवर्क को अपडेट की दर को प्रभावित करने की अनुमति देकर (न कि केवल अपडेट के प्रकार को), यह मॉडल वास्तविक दुनिया की घटनाओं जैसे "बर्स्टी" (bursty) गतिविधि और सामाजिक एवं जैविक नेटवर्क में निहित फीडबैक लूप को बेहतर ढंग से दर्शाता है।
भविष्य की दिशाएं (Future Directions): यह ढांचा एज डिसोल्यूशन (जन्म-मृत्यु), भारित (weighted) नेटवर्क को मॉडल करने और एक्सोजेनस कोवेरिएट्स (exogenous covariates) को एकीकृत करने का मार्ग खोलता है, जो भविष्य के अनुसंधान के लिए एक लचीला आधार प्रदान करता है।