🔢 mathematics

Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference

यह योगदान SP-CCI पेश करता है, जो एक नवीन ढांचा है जो मौजूदा कॉन्फॉर्मल विधियों की तुलना में व्यक्तिगत काउंटरफैक्चुअल परिणामों के लिए संकीर्ण लेकिन सांख्यिकीय रूप से वैध प्रेडिक्शन इंटरवल (भविष्यवाणी अंतराल) उत्पन्न करने के लिए प्रीट्रेंड मॉडल्स द्वारा जनरेट किए गए सिंथेटिक काउंटरफैक्चुअल लेबल्स और इन्फरेंस-आधारित डिबायसिंग के माध्यम से सुधारे गए लेबल्स का लाभ उठाता है।

मूल लेखक: Amirmohammad Farzaneh, Matteo Zecchin, Osvaldo Simeone

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amirmohammad Farzaneh, Matteo Zecchin, Osvaldo Simeone

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 इस शोध पत्र (paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: चित्र वाली किताब में "गायब पन्ना"

कल्पना कीजिए कि आप एक डॉक्टर हैं और आपको यह तय करना है कि क्या एक नई, महंगी दवा किसी विशिष्ट रोगी के लिए मददगार होगी। आपके पास रोगी का मेडिकल इतिहास (covariates) है। आप देख सकते हैं कि मानक उपचार (standard treatment) मिलने पर क्या होता है (यह "देखा गया" परिणाम या observed outcome है)।

लेकिन आप कभी यह नहीं देख सकते कि क्या होता यदि उन्होंने उस नई दवा का सेवन किया होता। यह काउंटरफैक्चुअल आउटकम (counterfactual outcome) है – यानी "क्या होता अगर" वाला परिदृश्य। यह एक ऐसी चित्र वाली किताब की तरह है जिसका एक पन्ना फट गया हो। आप कहानी को एक निश्चित बिंदु तक तो जानते हैं, लेकिन आप यह नहीं जानते कि यदि पात्र ने एक अलग विकल्प चुना होता तो अध्याय कैसे समाप्त होता।

सुरक्षित निर्णय लेने के लिए, आपको एक "प्रेडिक्शन इंटरवल" (prediction interval) बनाना होगा। इसे एक सुरक्षा जाल (safety net) या संभावित परिणामों की एक सीमा के रूप में सोचें।

बहुत चौड़ा: "रोगी का स्वास्थ्य 0% से 100% के बीच सुधर सकता है।" यह तकनीकी रूप से सुरक्षित है लेकिन निर्णय लेने के लिए बेकार है।
बहुत संकीर्ण (Narrow): "रोगी ठीक 42% सुधरेगा।" यह सटीक है, लेकिन यदि आप गलत हुए, तो यह खतरनाक है।

पुराना तरीका: "छोटा सैंपल साइज" की समस्या

इन सुरक्षा जालों को बनाने का मानक तरीका (जिसे कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस या CCI कहा जाता है) पिछले डेटा को देखकर काम करता है। यह पूछता है: "उन लोगों में से जिन्होंने इस रोगी के समान लक्षण दिखाए और वास्तव में नई दवा ली, उनमें कितना सुधार हुआ?"

पेंच: वास्तविक दुनिया में, महंगी या जोखिम भरी दवाएं शायद ही कभी दी जाती हैं। अधिकांश लोग मानक उपचार प्राप्त करते हैं।

कल्पना कीजिए कि आपके पास "मानक उपचार" पर 1,000 किताबों का एक पुस्तकालय है, लेकिन "नई दवा" पर केवल 10 किताबें हैं।
यदि आप नई दवा के परिणाम की भविष्यवाणी करने की कोशिश करते हैं, तो आपके पास सीखने के लिए केवल 10 उदाहरण हैं।
क्योंकि सैंपल इतना छोटा है, इसलिए सुरक्षा जाल (prediction interval) सांख्यिकीय रूप से सुरक्षित होने के लिए बहुत विशाल होना चाहिए। यह एक नए शहर में केवल 10 दिनों के डेटा के साथ मौसम की भविष्यवाणी करने जैसा है; आपको कहना होगा, "यह बर्फबारी से लेकर भीषण गर्मी तक कुछ भी हो सकता है।"

नया समाधान: SP-CCI (द "सिंथेटिक असिस्टेंट")

लेखक एक नई विधि प्रस्तावित करते हैं जिसे SP-CCI (सिंथेटिक डेटा-पावर्ड कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस) कहा जाता है।

विचार:
केवल नई दवा के बारे में 10 वास्तविक किताबों पर निर्भर रहने के बजाय, वे एक बुद्धिमान AI मॉडल का उपयोग करते हैं जो 1,000 नकली (सिंथेटिक) किताबें लिखता है कि क्या होता यदि उन 1,000 लोगों ने वह नई दवा ली होती।

अब आपके पास 1,010 उदाहरण हैं (10 वास्तविक + 1,000 नकली)। इससे आपको एक बहुत अधिक सटीक, उपयोगी सुरक्षा जाल बनाने में मदद मिलनी चाहिए, है ना?

खतरा:
एक समस्या है। नकली किताबें AI द्वारा लिखी गई हैं, वास्तविकता द्वारा नहीं। वे केवल "अनुमान" (approximations) हैं। यदि आप नकली किताबों को वास्तविक किताबों के साथ मिला देते हैं और अपना सुरक्षा जाल बनाते हैं, तो गणित बिगड़ जाता है। जाल देखने में तो सटीक लग सकता है, लेकिन वह सच्चाई को पकड़ने में विफल रहेगा, और आप एक खतरनाक गलती कर सकते हैं।

SP-CCI इसे कैसे ठीक करता है: "डी-बायसिंग" (De-Biasing) का तरीका

SP-CCI चतुर है। यह केवल नकली डेटा को इसमें डाल नहीं देता। यह सुनिश्चित करने के लिए कि सुरक्षा जाल वैध बना रहे, यह दो-चरणीय "डी-बायसिंग" प्रक्रिया का उपयोग करता है:

"सुधार" (Prediction-Powered Inference):
कल्पना कीजिए कि AI ने एक नकली कहानी लिखी लेकिन उसने कुछ गलतियाँ कीं। SP-फरी CCI उन कुछ वास्तविक कहानियों को देखता है। यह AI के अनुमान और वास्तविक सत्य के बीच के अंतर की गणना करता है। फिर, यह इस अंतर का उपयोग हजारों नकली कहानियों को "सुधारने" के लिए करता है। यह एक शिक्षक की तरह है जो छात्र के अभ्यास टेस्ट को ग्रेड करता है ताकि यह देखा जा सके कि छात्र कहाँ कम या ज्यादा अनुमान लगा रहा है, और फिर अंतिम ग्रेड को उसी के अनुसार समायोजित करता है।
"जोखिम नियंत्रण" (RCPS):
सुधार के बाद भी, थोड़ी अनिश्चितता बनी रहती है। SP-CCI एक सांख्यिकीय "सुरक्षा नियामक" (regulator) का उपयोग करता है (जिसे $\delta$ नामक पैरामीटर द्वारा नियंत्रित किया जाता है)। यह नियामक यह सुनिश्चित करता है कि भले ही AI थोड़ा गलत हो, अंतिम सुरक्षा जाल इतना चौड़ा हो कि वह 99% समय (या उस स्तर पर जिसे आप चुनते हैं) सच्चाई को पकड़ सके।

परिणाम: एक अधिक सटीक और सुरक्षित जाल

इस विधि का उपयोग करके, SP-CCI दो चीजें हासिल करता है जो पुराना तरीका नहीं कर सका:

यह सुरक्षित रहता है: यह गारंटी देता है कि वास्तविक परिणाम उस अंतराल (सुरक्षा जाल) के भीतर ही रहेगा।
यह बहुत अधिक सटीक (Sharper) है: क्योंकि इसने त्रुटियों के लिए सुधारा गया अतिरिक्त सिंथेटिक डेटा उपयोग किया है, इसलिए इसका अंतराल पुराने तरीके की तुलना में बहुत अधिक संकीर्ण है।

उपमा (Analogy):

पुराना तरीका (CCI): आपके पास 10 वास्तविक मौसम रिपोर्ट हैं। आप कहते हैं: "बारिश हो सकती है या धूप भी खिली रह सकती है।" (विशाल रेंज)।
खराब नया तरीका: आप एक वेदर बॉट से बाकी 990 दिनों का अनुमान लगाने को कहते हैं, उसे मिला देते हैं, और कहते हैं: "निश्चित रूप से बारिश होगी।" (बहुत संकीर्ण, और संभवतः गलत)।
SP-CCI: आप बॉट से अनुमान लगाने को कहते हैं, लेकिन आप अपनी 10 वास्तविक रिपोर्टों के विरुद्ध उसके काम की जाँच करते हैं, उसकी गलतियों को सुधारते हैं, और फिर कहते हैं: "दोपहर 2:00 बजे से 4:00 बजे के बीच बारिश होने की संभावना है।" (सटीक, उपयोगी और सांख्यिकीय रूप से सुरक्षित)।

यह पेपर वास्तव में क्या दावा करता है (और क्या नहीं करता)

यह क्या करता है: यह गणितीय रूप से सिद्ध करता है कि यह विधि काम करती है और कंप्यूटर सिमुलेशन (नकली डेटा और IHDP नामक एक अर्ध-वास्तविक मेडिकल डेटासेट का उपयोग करके) के माध्यम से दिखाता है कि इसके प्रेडिक्शन इंटरवल्स पुराने तरीकों की तुलना में लगातार संकीर्ण हैं।
यह क्या दावा नहीं करता: यह पेपर यह दावा नहीं करता कि यह एक नई दवा है, एक नया चिकित्सा उपचार है, या कल अस्पताल में जान बचाने का गारंटीकृत तरीका है। यह बेहतर भविष्यवाणियों के लिए एक सांख्यिकीय उपकरण (statistical tool) है।
"LLM" प्रयोग: लेखकों ने इसका परीक्षण करने के लिए एक पूर्व-प्रशिक्षित लार्ज लैंग्वेज मॉडल (जैसे चैटबॉट) का उपयोग किया ताकि वे नकली मेडिकल परिणाम उत्पन्न कर सकें। उन्होंने पाया कि SP-CCI, भले ही चैटबॉट को उस विशिष्ट मेडिकल डेटा पर प्रशिक्षित नहीं किया गया था, फिर भी पुराने तरीके की तुलना में बेहतर भविष्यवाणियां करने के लिए उसके अनुमानों का उपयोग कर सकता था।

संक्षेप में, SP-CCI उच्च-जोखिम वाले निर्णयों के लिए आवश्यक सांख्यिकीय सुरक्षा गारंटी खोए बिना, भविष्यवाणियों को अधिक सटीक बनाने के लिए AI-जनित "क्या होता अगर" वाले परिदृश्यों का उपयोग करने का एक नया तरीका है।

तकनीकी निष्कर्ष: कुशल कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस के लिए सिंथेटिक काउंटरफैक्चुअल लेबल्स (SP-CCI)

1. समस्या की परिभाषा और प्रेरणा

यह कार्य ट्रीटमेंट इम्बैलेंस (उपचार असंतुलन) वाले परिदृश्यों में व्यक्तिगत काउंटरफैक्चुअल परिणामों के लिए विश्वसनीय प्रेडिक्शन इंटरवल (भविष्यवाणी अंतराल) बनाने की चुनौती को संबोधित करता है। कॉज़ल इन्फरेंस (कारण संबंधी अनुमान) में, $X$ कोवेरिएट्स और प्रेक्षित उपचार $T$ वाले एक यूनिट के लिए, केवल एक संभावित परिणाम $Y(T)$ देखा जाता है, जबकि काउंटरफैक्चुअल परिणाम $Y(1-T)$ अप्राप्य रहता है।

मौजूदा विधियाँ, विशेष रूप से कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस (CCI) (Lei और Candès, 2021), इन काउंटरफैक्चुअल भविष्यवाणियों के लिए मार्जिनल कवरेज गारंटी प्रदान करती हैं। हालाँकि, CCI को विशिष्ट उपचार शाखा (treatment arm) के कैलिब्रेशन डेटा पर निर्भर रहना पड़ता है। कई वास्तविक दुनिया के परिदृश्यों में (जैसे चिकित्सा अध्ययन जहाँ महंगे उपचार दुर्लभ हैं, या ऑनलाइन विज्ञापन जहाँ एक्सपोज़र विरल है), लक्ष्य उपचार शाखा ( $D_1$ ) के लिए डेटासेट, कंट्रोल शाखा ( $D_0$ ) की तुलना में काफी छोटा होता है। यह कमी अत्यधिक रूढ़िवादी (conservative) और चौड़े प्रेडिक्शन इंटरवल का कारण बनती है, जो निर्णय-महत्वपूर्ण निर्णयों के लिए कॉन्फॉर्मल इन्फरेंस की उपयोगिता को सीमित करती है।

यद्यपि प्री-ट्रेंड मॉडल्स द्वारा उत्पन्न सिंथेटिक डेटा पहले से मौजूद कैलिब्रेशन सेट की कमी को पूरा कर सकता है, लेकिन इन सिंथेटिक लेबल्स को सीधे मानक कॉन्फॉर्मल इन्फरेंस प्रक्रियाओं में शामिल करने से सांख्यिकीय वैधता (statistical validity) टूट जाएगी, क्योंकि सिंथेटिक परिणाम सत्य के पक्षपाती अनुमान (biased approximations) होते हैं।

2. कार्यप्रणाली: SP-CCI फ्रेमवर्क

लेखक सिंथेटिक डेटा-पावर्ड कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस (SP-CCI) का प्रस्ताव करते हैं, जो एक डिबायस्ड एस्टीमेशन (पक्षपात-मुक्त अनुमान) प्रक्रिया के माध्यम से एक डिबायस्ड एस्टीमेटर का उपयोग करते हुए सिंथेटिक काउंटरफैक्चुअल लेबल्स के साथ कैलिब्रेशन सेट को बढ़ाता है।

मुख्य घटक

सिंथेटिक डेटा का निर्माण:
- यह विधि एक प्री-ट्रेंड काउंटरफैक्चुअल जेनेरेटिव मॉडल $\hat{P}_{Y(1)|X}$ (जो एक न्यूरल नेटवर्क या लार्ज लैंग्वेज मॉडल हो सकता है) का उपयोग करके बड़े कंट्रोल डेटासेट $D_0$ के यूनिट्स के लिए सिंथेटिक काउंटरफैक्चुअल लेबल्स $\hat{Y}(1)$ उत्पन्न करती है।
- यह एक विस्तारित सिंथेटिक डेटासेट $\tilde{D}_1 = \{(X_i, \hat{Y}_i(1))\}_{i=1}^{n_0}$ बनाता है।
नॉन-कवरेज का डिबायस्ड एस्टीमेशन (PPI का एकीकरण):
- सिंथेटिक लेबल्स द्वारा उत्पन्न पक्षपात (bias) को ठीक करने के लिए, SP-CCI प्रेडिक्शन-पावर्ड इन्फरेंस (PPI) (Angelopoulos et al., 2023a) को अनुकूलित करता है।
- वास्तविक उपचार डेटा $D_1$ (वास्तविक उपचार डेटा) का उपयोग सिंथेटिक अनुमानों को "ठीक" करने के लिए किया जाता है। विशेष रूप से, $n_0$ सिंथेटिक नमूनों को $n_1$ समूहों में विभाजित किया जाता है, जिनमें से प्रत्येक को एक वास्तविक उपचार नमूने $(X_i, Y_i) \in D_1$ को सौंपा जाता है।
- नॉन-कवरेज की प्रायिकता के लिए एक अनबायस्ड एस्टीमेटर $\hat{L}_\eta$ का निर्माण सिंथेटिक डेटा पर लॉस और वास्तविक डेटा पर लॉस के बीच एक वेटेड डिफरेंस (भारित अंतर) का उपयोग करके किया जाता है:
  $\hat{\ell}_{i,\eta} = \frac{1}{r} \sum_{j} \tilde{w}_j \ell_\eta(\tilde{X}_j, \tilde{Y}_j) - w_i [\ell_\eta(X_i, \hat{Y}_i) - \ell_\eta(X_i, Y_i)]$
  जहाँ $w_i$ और $\tilde{w}_i$ प्रोपेंसिटी स्कोर और ट्रीटमेंट प्रोबेबिलिटी को ध्यान में रखते हुए इम्पोर्टेंस वेट्स हैं।
रिस्क-कंट्रोलिंग प्रेडिक्शन सेट्स (RCPS):
- विधि इंटरवल को चौड़ा करने वाले पैरामीटर $\eta$ को चुनने के लिए रिस्क-कंट्रोलिंग प्रेडिक्शन सेट्स (RCPS) (Bates et al., 2021) का उपयोग करती है।
- अनकंडीशनल कवरेज की गारंटी देने के बजाय, SP-CCI यह सुनिश्चित करता है कि कैलिब्रेशन डेटासेट के ड्रॉ (draw) पर नॉन-कवरेज का जोखिम उच्च प्रायिकता ( $1-\delta$ ) के साथ नियंत्रित रहे।
- वाइडनिंग पैरामीटर $\hat{\eta}$ को इस प्रकार चुना जाता है कि अनुमानित नॉन-कवरेज प्रायिकता का अपर कॉन्फिडेंस बाउंड लक्षित स्तर $\alpha$ से अधिक न हो।
वेट मिसस्पेसिफिकेशन को संभालना:
- फ्रेमवर्क में उन मामलों के लिए सैद्धांतिक गारंटी शामिल है जहाँ इम्पोर्टेंस वेट्स सटीक रूप से ज्ञात होने के बजाय अनुमानित होते हैं। यह दिखाया गया है कि अनुमानित वेट्स के एरर बाउंड्स को ध्यान में रखते हुए वाइडनिंग पैरामीटर को समायोजित करके कवरेज गारंटी बनाए रखी जा सकती है।

3. मुख्य योगदान

कार्यप्रणाली: SP-CCI का परिचय, जो नॉन-कवरेज के लिए एक डिबायस्ड एस्टीमेटर के माध्यम से वास्तविक और सिंथेटिक कैलिब्रेशन डेटा को एकीकृत करता है, जिससे दुर्लभ उपचारों के लिए स्कैरसी (कमी) वाले डेटासेट के लिए इन्फरेंस में सुधार करने हेतु व्यापक कंट्रोल डेटा का उपयोग संभव होता है।
सैद्धांतिक गारंटी: औपचारिक प्रमाण कि SP-CCI सटीक और अनुमानित इम्पोर्टेंस वेटिंग दोनों के तहत हाई-प्रोबेबिलिटी कवरेज (पैरामीटर $\delta$ द्वारा नियंत्रित) प्राप्त करता है। यह कार्य मानक CCI के अनकंडीशनल मार्जिनल कवरेज से अलग है और "फेलियर" को नियंत्रित करने के लिए एक समायोज्य तंत्र प्रदान करता है।
दक्षता (Efficiency): सैद्धांतिक और अनुभवजन्य प्रदर्शन कि SP-CCI, मानक CCI और GESPI फ्रेमवर्क (Bashari et al., 2025) की तुलना में काफी संकीर्ण प्रेडिक्शन इंटरवल प्रदान करता है, विशेष रूप से तब जब उच्च-गुणवत्ता वाले सिंथेटिक जनरेटर उपलब्ध हों।

4. प्रयोगात्मक परिणाम

लेखकों ने सिंथेटिक डेटा (Lei और Candès, 2021 के अनुसार) और सेमी-सिंथेटिक IHDP डेटासेट (Hill, 2011) पर SP-CCI का मूल्यांकन किया, और इसकी तुलना मानक CCI और GESPI से की।

सिंथेटिक डेटा: SP-CLI ने आवश्यक कवरेज गारंटी बनाए रखते हुए CCI और GESPI की तुलना में लगातार संकीर्ण प्रेडिक्शन इंटरवल बनाए। इंटरवल की चौड़ाई काउंटरफैक्चुअल जेनेरेटिव मॉडल की गुणवत्ता (लो/मीडियम/हाई क्वालिटी) के साथ कम होती गई।
IHDP डेटासेट:
- SP-CCI ने मानक CCI के 20.24 के मुकाबले 3.52 का औसत प्रेडिक्शन इंटरवल विड्थ (APIW) प्राप्त किया (उच्च-गुणवत्ता वाले सिंथेटिक लेबल्स के साथ)।
- जबकि GESPI एक रिलैक्स्ड सेफ्टी बैरियर के साथ संकीर्ण इंटरवल उत्पन्न कर सकता था, लेकिन जब इसे टाइट किया गया तो इसने 42% की उच्च कवरेज वायलेशन रेट (CVR) प्रदर्शित की, जो इसे निर्णय-महत्वपूर्ण परिदृश्यों के लिए अनुपयुक्त बनाती है। SP-CCI ने सभी वेरिएंट्स में कम CVR (2–6%) बनाए रखा।
- विधि ने एक प्री-ट्रेंड LLaMA-2-13B मॉडल का एक जेनेरेटिव सोर्स के रूप में सफलतापूर्वक उपयोग किया, जो विशिष्ट डेटासेट के बाहर प्रशिक्षित होने के बावजूद प्रतिस्पर्धी प्रदर्शन प्राप्त करने में सफल रहा, जो डिस्ट्रिब्यूशनल शिफ्ट के प्रति मजबूती (robustness) को दर्शाता है।
अतिरिक्त प्रयोग:
- पॉलिसी इवैल्यूएशन: वायरलेस हैंडओवर परिदृश्य में, SP-CCI ने फिक्स्ड पॉलिसीज के लिए CCI की तुलना में अधिक सटीक प्रदर्शन मात्रा निर्धारण (संकीर्ण इंटरवल) प्रदान किया।
- एक्सट्रीम इम्बैलेंस: अत्यधिक उपचार असंतुलन (63 उपचारित बनाम 11,921 कंट्रोल यूनिट्स) वाले Twins डेटासेट पर, CCI ने कवरेज बनाए रखने के लिए SP-CCI के इंटरवल्स की तुलना में लगभग 20 गुना अधिक चौड़े इंटरवल बनाए। SP-CCI ने काफी संकीर्ण इंटरवल के साथ निकट-लक्ष्य कवरेज बनाए रखा।

5. महत्व और दावे

यह कार्य दावा करता है कि SP-CCI असंतुलित डेटासेट के लिए कॉन्फॉर्मल काउंटरफैक्चुअल इन्फरेंस को व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है। वास्तविक और सिंथेटिक कैलिब्रेशन डेटा का प्रभावी ढंग से उपयोग करके, यह विधि सांख्यिकीय वैधता से समझौता किए बिना 'कर्स ऑफ डायमेंशनैलिटी' और डेटा की कमी को संबोधित करती है।

लेखक इस बात पर जोर देते हैं कि SP-CCI पैरामीटर $\delta$ के माध्यम से इंटरवल विड्थ और कवरेज विश्वसनीयता के बीच एक समायोज्य ट्रेड-ऑफ (adjustable trade-off) प्रदान करता है, जो मानक अनकंडीशनल CCI में मौजूद नहीं है। कार्य यह प्रदर्शित करता है कि उच्च-गुणवत्ता वाले सिंथेटिक डेटा का, यदि उचित रूप से डिबायस किया जाए, तो कॉज़ल इन्फरेंस की दक्षता में भारी सुधार किया जा सकता है, जिससे यह व्यक्तिगत चिकित्सा और पॉलिसी इवैल्यूएशन जैसे वास्तविक दुनिया के डोमेन के लिए अधिक उपयोगी बन जाता है, जहाँ उपचार डेटा अक्सर दुर्लभ होता है।

कार्य विनम्रतापूर्वक समाप्त होता है, यह नोट करते हुए कि मल्टी-आर्म ट्रीटमेंट, निरंतर (continuous) उपचार, और उन परिदृश्यों में जहाँ कोई भी संभावित परिणाम (potential outcome) देखा नहीं गया है, विस्तार करना भविष्य के कार्य के लिए खुले प्रश्न बने हुए हैं।