📊 statistics

Differentiable Cyclic Causal Discovery Under Unmeasured Confounders

यह शोध पत्र DCCD-CONF का प्रस्ताव करता है, जो एक नवीन अवकलनीय (differentiable) ढांचा है जो हस्तक्षेप संबंधी डेटा (interventional data) का उपयोग करके गैर-रेखीय चक्रीय कारण ग्राफ (nonlinear cyclic causal graphs) को प्रभावी ढंग से पुनर्प्राप्त करता है और अपरिवर्तित कन्फाउंडर्स (unmeasured confounders) की पहचान करता है, जो सैद्धांतिक निरंतरता गारंटी प्रदान करते हुए मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Muralikrishnna G. Sethuraman, Faramarz Fekri

प्रकाशित 2026-01-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muralikrishnna G. Sethuraman, Faramarz Fekri

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 यह पता लगाने की कोशिश कर रहे हैं कि एक जटिल मशीन कैसे काम करती है। आपके पास कई डायल (चर/variables) हैं जो इधर-उधर घूम रहे हैं, और आप जानना चाहते हैं: क्या डायल A को घुमाने से डायल B हिलता है, या डायल B के कारण डायल A हिलता है?

आमतौर पर, जासूसों के पास अपने काम को आसान बनाने के लिए दो बड़े नियम होते हैं:

कोई टाइम ट्रैवल नहीं: वे मान लेते हैं कि कुछ भी वापस खुद पर लूप नहीं बनाता (A के कारण B होता है, जिससे C होता है, लेकिन C कभी वापस A को प्रभावित नहीं करता)।
कोई छिपा हुआ संदिग्ध नहीं: वे मान लेते हैं कि वे कमरे में मौजूद हर एक डायल को देख सकते हैं।

लेकिन वास्तविक दुनिया में—विशेष रूप से जीव विज्ञान (biology) में—ये नियम अक्सर टूट जाते हैं। मशीनों में फीडबैक लूप होते हैं (टाइम ट्रैवल!) और अक्सर छिपे हुए डायल (कन्फाउंडर्स) होते हैं जो वहां मौजूद नहीं हैं लेकिन गुप्त रूप से डायल A और डायल B दोनों को एक साथ धक्का दे रहे होते हैं।

यह शोध पत्र एक नया जासूसी उपकरण पेश करता है जिसे DCCD-CONF कहा जाता है। यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "अदृश्य कठपुतली संचालक" (The Invisible Puppeteer)

कई प्रणालियों में (जैसे कोशिका में जीन), दो चीजें एक साथ चल सकती हैं क्योंकि एक दूसरे को धक्का नहीं दे रही हैं, बल्कि एक अदृश्य कठपुतली संचालक (एक अपरिवर्तित कन्फाउंडर) उन दोनों के धागों को खींच रहा है।

पुराने उपकरण या तो यह मान लेते थे कि कठपुतली संचालक मौजूद नहीं है या वे लूप वाले सिस्टम (जैसे अपनी ही पूंछ खाते हुए सांप) के मामले में भ्रमित हो जाते थे।
नया उपकरण विशेष रूप से इन अदृश्य कठपुतली संचालकों को पहचानने और लूप को संभालने के लिए बनाया गया है।

2. समाधान: एक "स्मार्ट सिम्युलेटर"

एक विशाल, असंभव गणितीय पहेली को एक साथ हल करने की कोशिश करने के बजाय, लेखकों ने एक स्मार्ट सिम्युलेटर (एक न्यूरल नेटवर्क) बनाया है।

सेटअप: कल्पना कीजिए कि आपके पास एक ब्लैक बॉक्स है। आप इसमें कुछ शोर (रैंडम स्टैटिक) डालते हैं, और यह आपके डायलों का व्यवहार बाहर निकालता है।
ट्रिक: सिम्युलेटर इस तरह बनाया गया है कि यदि आप डायलों को जानते हैं, तो यह शोर का अनुमान लगाने के लिए पीछे की ओर काम कर सकता है। यदि डायल A और डायल B के लिए शोर "सह-संबंधित" (correlated) है (वे एक ही ताल में हिलते हैं), तो सिम्युलेटर जान जाता है कि एक अदृश्य कठपुतली संचालक उन्हें जोड़ रहा है।
सीखने की प्रक्रिया: यह टूल "अनुमान लगाओ और जांचो" का खेल खेलता है। यह एक नक्शा बनाने की कोशिश करता है कि कौन किसको प्रभावित करता है। यह अपने नक्शे को तब तक बदलता रहता है जब तक कि सिम्युलेटर वास्तविक दुनिया के डेटा की सटीक भविष्यवाणी न कर सके। यदि नक्शा गलत है, तो भविष्यवाणी विफल हो जाती है। यदि नक्शा सही है, तो भविष्यवाणी काम करती है।

3. "हस्तक्षेप" परीक्षण (The Intervention Test)

यह सुनिश्चित करने के लिए कि जासूस केवल अनुमान नहीं लगा रहा है, यह टूल हस्तक्षेपों (interventions) का उपयोग करता है।

कल्पना कीजिए कि आप जबरदस्ती डायल A को एक विशिष्ट सेटिंग पर घुमाते हैं (जैसे कि एक सर्जन तार काटता है)।
यदि डायल B फिर भी हिलता है, तो यह डायल A के कारण नहीं है; यह छिपे हुए कठपुतली संचालक के कारण है।
शोध पत्र दिखाता है कि विभिन्न "जबरदस्ती" की गई सेटिंग्स के तहत सिस्टम का परीक्षण करके, यह टूल छिपे हुए कठपुतली संचालकों के बीच वास्तविक कारणों को सुलझा सकता है, भले ही सिस्टम में लूप हों।

4. उन्होंने क्या पाया

लेखकों ने अपने टूल का परीक्षण दो प्रकार की चुनौतियों पर किया:

नकली डेटा (Fake Data): उन्होंने ज्ञात लूप और छिपे हुए कठपुतली संचालकों के साथ कंप्यूटर सिमुलेशन बनाए। DCCD-CONF अन्य किसी भी मौजूदा टूल की तुलना में सही नक्शा खोजने और छिपे हुए कठपुतली संचालकों की पहचान करने में बेहतर था।
वास्तविक डेटा (Real Data): उन्होंने एक जीन अध्ययन (मेलानोमा कोशिकाएं) से वास्तविक डेटा का उपयोग किया। चूंकि कोई भी इन जीनों का "सच्चा" नक्शा नहीं जानता, इसलिए उन्होंने यह परीक्षण किया कि क्या यह टूल यह भविष्यवाणी कर सकता है कि एक जीन को बदलने से क्या होगा। DCCD-CONF परिणाम की भविष्यवाणी करने में सबसे अच्छा था, जो यह साबित करता है कि इसने अन्यों की तुलना में सिस्टम को बेहतर ढंग से समझा है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र एक नई विधि प्रस्तुत करता है जो अस्त-व्यस्त, वास्तविक दुनिया की प्रणालियों में कारण-और-प्रभाव (cause-and-effect) संबंधों का पता लगा सकती है जहाँ:

चीजें वापस खुद पर लूप बना सकती हैं।
अदृश्य कारक परिणामों को प्रभावित कर रहे हैं।

यह एक लचीले, सीखने-आधारकी सिम्युलेटर का उपयोग करके ऐसा करता है जो जितना अधिक डेटा (और मजबूर प्रयोग) देखता है, उतना ही बेहतर होता जाता है, और यह पुराने तरीकों से बेहतर प्रदर्शन करता है जो जटिल होने पर फंस जाते हैं।

तकनीकी सारांश: अनमैज़र्ड कन्फाउंडर्स के तहत डिफरेंशिएबल साइक्लिक कॉज़ल डिस्कवरी

समस्या विवरण (Problem Statement)
कॉज़ल डिस्कवरी का लक्ष्य चरों के बीच निर्देशित ग्राफ संरचना (directed graph structure) का अनुमान लगाना है जो कारण-प्रभाव संबंधों (cause-effect relationships) को दर्शाता है। मौजूदा एल्गोरिदम आमतौर पर दो प्रतिबंधात्मक धारणाओं पर निर्भर करते हैं: (i) अंतर्निहित कॉज़ल ग्राफ एक निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) है, और (ii) सभी चर प्रेक्षित (observed) हैं (कोई अनमैज़र्ड कन्फाउंडर नहीं है)। ये धारणाएं वास्तविक दुनिया की प्रणालियों में अक्सर टूट जाती हैं, विशेष रूप से जैविक नेटवर्क (biological networks) में, जो फीडबैक लूप (चक्र/cycles) और छिपे हुए कन्फाउंडर्स प्रदर्शित करते हैं। जबकि कुछ विधियाँ चक्रों को संबोधित करती हैं और अन्य कन्फाउंडर्स को, बहुत कम विधियाँ दोनों को एक साथ संभाल पाती हैं, विशेष रूप से नॉनलीनियर (nonlinear) सेटिंग्स में। मौजूदा दृष्टिकोण जो साइक्लिक ग्राफ के लिए कन्फाउंडर्स को संबोधित करते हैं, वे अक्सर लीनियरिटी (linearity) मानकर चलते हैं या स्केलेबिलिटी में संघर्ष करते हैं। यह शोध पत्र इंटरवेंशनल डेटा (interventional data) का उपयोग करके नॉनलीनियर साइक्लिक कॉज़ल ग्राफ को सीखने की चुनौती को संबोधित करता है।

कार्यप्रणाली: DCCD-CONF (Methodology: DCCD-CONF)
लेखक DCCD-CONF प्रस्तावित करते हैं, जो इन जटिल स्थितियों के तहत कॉज़ल संरचनाओं को सीखने के लिए एक डिफरेंशिएबल फ्रेमवर्क है। यह कार्यप्रणाली निम्नलिखित घटकों पर आधारित है:

अनमैज़र्ड कन्फाउंडर्स के साथ स्ट्रक्चरल इक्वेशन मॉडल (SEM):
सिस्टम को एक निर्देशित मिश्रित ग्राफ (Directed Mixed Graph - DMG) का उपयोग करके मॉडल किया गया है जिसमें निर्देशित किनारे ( $i \to j$ ) और द्विदिश किनारे ( $i \leftrightarrow j$ ) दोनों शामिल हैं। द्विदिश किनारे छिपे हुए कन्फाउंडर्स का प्रतिनिधित्व करते हैं। लेखक कन्फाउंडिंग को एक अलग लेटेंट वेरिएबल नोड के रूप में नहीं, बल्कि एक्सोजेनस नॉइज़ (exogenous noise) में सहसंबंध (correlations) के रूप में मॉडल करते हैं। विशेष रूप से, नॉइज़ वेक्टर $Z$ एक गाऊसी वितरण (Gaussian distribution) का पालन करता है $Z \sim \mathcal{N}(0, \Sigma_Z)$ , जहाँ कोवेरिएंस मैट्रिक्स $\Sigma_Z$ के गैर-शून्य ऑफ-डायगोनल एंट्रीज चरों के बीच कन्फाउंडिंग को दर्शाते हैं।
इम्प्लिसिट फ्लो के माध्यम से डिफरेंशिएबल कॉज़ल मैकेनिज्म:
चक्रों और नॉनलिनैरिटी को संभालने के लिए, कॉज़ल मैकेनिज्म को इम्प्लिसिट फ्लो का उपयोग करके मॉडल किया गया है। स्ट्रक्चरल समीकरणों को $X = F(X, Z)$ के रूप में परिभाषित किया गया है, जहाँ $F$ न्यूरल नेटवर्क द्वारा पैरामीटराइज्ड एक फलन (function) है। एक अद्वितीय फिक्स्ड पॉइंट (equilibrium) और इनवर्टिबिलिटी सुनिश्चित करने के लिए, लेखक एक विशिष्ट रूप का उपयोग करके एक कॉन्ट्रैक्टिव मैपिंग (contractive mapping) लागू करते हैं: $F(x, z) = -g_x(x) + g_z(z) + z$ , जहाँ $g_x$ और $g_z$ कॉन्ट्रैक्टिव फंक्शन्स हैं (स्पेक्ट्रल नॉर्मलाइजेशन के माध्यम से लागू)। यह फॉरवर्ड मैप $z = f_x(x)$ और रिवर्स मैप को कंप्यूट करने के लिए रूट-फाइंडिंग एल्गोरिदम (जैसे ब्रॉयडेन विधि) के उपयोग की अनुमति देता है।
इंटरवेंशनल डेटा और म्यूटिलेटेड ग्राफ्स:
यह फ्रेमवर्क "सर्जिकल" (हार्ड) इंटरवेंशन का उपयोग करता है। जब किसी नोड पर इंटरवेंशन किया जाता है, तो उसके सभी इनकमिंग किनारे (निर्देशित और द्विदिश) हटा दिए जाते हैं, और उस नोड को एक ज्ञात वितरण से लिए गए मान पर सेट कर दिया जाता है। इन इंटरवेंशन के तहत डेटा की संभावना (likelihood) फॉरवर्ड मैप के जैकोबियन (Jacobian) के आधार पर प्राप्त की जाती है।
ऑप्टिमाइजेशन और स्कोर फंक्शन:
सीखने का उद्देश्य कई इंटरवेंशनल सेटिंग्स में देखे गए डेटा के रेगुलराइज्ड लॉग-लाइक्लीहुड (regularized log-likelihood) को अधिकतम करना है।

ग्राफ स्ट्रक्चर: एडजेसेंसी मैट्रिक्स (adjacency matrix) को एक मैट्रिक्स $B$ द्वारा पैरामीटराइज्ड बर्नौली रैंडम वेरिएबल के रूप में माना जाता है। स्पर्सिटी रेगुलराइजेशन के प्रॉक्सी के रूप में $L_1$ -नॉर्म का उपयोग किया जाता है।
जैकोबियन डिटर्मिनेंट: जैकोबियन का लॉग-डिटरमिनेंट कंप्यूट करना कम्प्यूटेशनल रूप से महंगा ( $O(d^2)$ ) है। लेखक $\log(1+x)$ के पावर सीरीज़ एक्सपेंशन पर आधारित एक अनबायस्ड एस्टिमेटर का उपयोग करते हैं, जिसे बायस को कम करने के लिए स्टोकेस्टिक रूप से ट्रंकेट किया गया है, और इसे हचिनसन ट्रेस एस्टिमेटर (Hutchinson trace estimator) के साथ जोड़ा गया है।
कन्फाउंडर डिस्ट्रीब्यूशन: कोवेरिएंस मैट्रिक्स $\Sigma_Z$ को स्पर्सिटी-रेगुलराइज्ड ऑप्टिमाइजेशन (Lasso रिग्रेशन के रूप में गठित) को हल करके अपडेट किया जाता है ताकि पॉजिटिव डेफिनिटनेस (positive definiteness) और स्थिरता सुनिश्चित की जा सके।

प्रमुख योगदान (Key Contributions)

नया फ्रेमवर्क: DCCD-CONF का परिचय, जो नॉनलीनियर साइक्लिक कॉज़ल ग्राफ को सीखने में सक्षम पहला डिफरेंशिएबल फ्रेमवर्क है, जो सहसंबंधित गाऊसी नॉइज़ के माध्यम से अनमैज़र्ड कन्फाउंडर्स को स्पष्ट रूप से मॉडल करता है।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं कि प्रस्तावित स्कोर फंक्शन विशिष्ट धारणाओं (जिसमें डेटा मॉडल क्लास के भीतर होना और $\sigma$ -सेपरेशन गुण शामिल हैं) के तहत ग्राउंड ट्रुथ ग्राफ के इंटरवेंशनल इक्विवेलेंस क्लास की पहचान करता है।
एल्गोरिद्मिक दक्षता: यह एक स्केलेबल ऑप्टिमाइजेशन प्रक्रिया का विकास करता है जो स्टोकैस्टिक एस्टिमेशन और नॉइज़ कोवेरिएंस के लिए स्ट्रक्चर्ड अपडेट्स के माध्यम से इम्प्लिसिट फ्लो और जैकोबियन डिटर्मिनेंट्स की कम्प्यूटेशनल चुनौतियों को संभालता है।

प्रायोगिक परिणाम (Experimental Results)
फ्रेमवर्क का मूल्यांकन सिंथेटिक और वास्तविक दुनिया के डेटासेट पर किया गया:

सिंथेटिक डेटा: DCCD-CONF की तुलना विभिन्न कन्फाउंडर्स की संख्या, चक्रों, नॉनलिनैरिटी के स्तर, और इंटरवेंशन काउंट के तहत अत्याधुनिक बेसलाइन्स (NODAGS-Flow, LLC, DAGMA, ADMG) से की गई।
- प्रदर्शन: DCCD-CONF ने ग्राफ रिकवरी के लिए लगातार कम स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) और कन्फाउंडर पहचान के लिए उच्च F1 स्कोर प्राप्त किया, विशेष रूप से नॉनलीनियर सेटिंग्स में।
- मजबूती (Robustness): पद्धति ने चक्रों और कन्फाउंडर्स की संख्या बढ़ने के साथ मजबूती प्रदर्शित की। इसने बढ़ते इंटरवेंशन के साथ बेसलाइन्स को पछाड़ दिया, जबकि कुछ बेसलाइन्स (जैसे LLC) विशुद्ध रूप से ऑब्जर्वेशनल सेटिंग्स में विफल रहे।
- स्केलेबिलिटी: 10 से 80 नोड्स तक बढ़ने पर भी प्रदर्शन उत्कृष्ट बना रहा।
वास्तविक दुनिया का डेटा: मॉडल को 'परटर्ब-CITE-seq' जीन परटर्बेशन डेटासेट (कंट्रोल, को-कल्चर और IFN- $\gamma$ $γ$ स्थितियों के तहत मेलानोमा कोशिकाएं) पर लागू किया गया।
- मेट्रिक: चूंकि ग्राउंड ट्रुथ ग्राफ उपलब्ध नहीं थे, इसलिए प्रदर्शन को होल्ड-आउट टेस्ट डेटा पर नेगेटिव लॉग-लाइक्लीहुड (NLL) द्वारा मापा गया।
- परिणाम: DCCD-CONF ने तीनों स्थितियों में सबसे कम NLL प्राप्त किया, जो NODAGS, LLC और DCDI से बेहतर था, जो जैविक प्रणालियों में कन्फाउंडिंग के प्रभावी मॉडलिंग और बेहतर प्रेडिक्टिव सटीकता का सुझाव देता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र दावा करता है कि DCCD-CONF एक पहले से खंडित समस्या क्षेत्र के लिए एक एकीकृत समाधान प्रदान करता है, जो नॉनलिनैरिटी, साइकल और लेटेंट कन्फाउंडर्स को एक साथ संबोधित करता है। लेखक तर्क देते हैं कि उनका दृष्टिकोण विशिष्ट धारणाओं के तहत सैद्धांतिक निरंतरता गारंटी (theoretical consistency guarantees) प्रदान करता है और व्यावहारिक श्रेष्ठता दिखाता है, जो मौजूदा विधियों की तुलना में जो अक्सर लीनियर धारणाओं, अचक्रीय संरचनाओं या पूर्ण अवलोकन तक सीमित हैं। यह कार्य वास्तविक दुनिया के सिस्टम में कन्फाउंडर्स की व्यापकता को उजागर करता है और प्रदर्शित करता है कि उनके लिए अकाउंटिंग करना (accounting for them) कॉज़ल डिस्कवरी की सटीकता में काफी सुधार करता है। लेखक नोट करते हैं कि हालांकि वर्तमान कार्य गाऊसी एक्सोजेनस नॉइज़ मानता है, भविष्य की दिशाओं में अन्य नॉइज़ डिस्ट्रीब्यूशन का अन्वेषण करना, मिसिंग डेटा को संभालना और इंटरवेंशन टारगेट के संबंध में धारणाओं को शिथिल करना शामिल है।

1. समस्या: "अदृश्य कठपुतली संचालक" (The Invisible Puppeteer)

2. समाधान: एक "स्मार्ट सिम्युलेटर"

3. "हस्तक्षेप" परीक्षण (The Intervention Test)

4. उन्होंने क्या पाया

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर