कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि बगीचे में कुछ पौधे दूसरों की तुलना में अधिक लंबे क्यों बढ़ते हैं। एक सरल दुनिया में, आप केवल पानी और धूप को देख सकते हैं जो प्रत्येक पौधे को मिल रही है। लेकिन एक वास्तविक बगीचे में, पौधे पड़ोसी होते हैं। यदि आप एक पौधे को पानी देते हैं, तो वह अपने पड़ोसी को छाया दे सकता है, या उसकी जड़ें पोषक तत्व चुरा सकती हैं, या शायद अतिरिक्त पानी आसपास की सभी मिट्टी को गीला बना सकता है। यह "हस्तक्षेप" (interference) की जटिल दुनिया है: जहाँ एक चीज़ के साथ जो होता है, वह उसके दोस्तों के साथ क्या होगा, उसे बदल देता है। वैज्ञानिक इसे "कारण अनुमान" (causal inference) कहते हैं, और वे यह जानना चाहते हैं कि उपचार (जैसे कि एक नई दवा या मार्केटिंग अभियान) का वास्तविक प्रभाव क्या है, बिना पड़ोसियों के इन साइड-इफेक्ट्स से भ्रमित हुए। आमतौर पर, इस समस्या को हल करने के लिए, शोधकर्ताओं को इस बारे में एक बड़ा अनुमान लगाना पड़ता है कि पड़ोसी एक-दूसरे को कैसे प्रभावित करते हैं। वे मान सकते हैं, उदाहरण के लिए, कि "आपके जितने अधिक पड़ोसी उपचार प्राप्त करते हैं, आप उतने ही अधिक प्रभावित होते हैं।" लेकिन क्या होगा अगर उनका यह अनुमान गलत हो? क्या होगा अगर प्रभाव विशिष्ट पड़ोसियों पर या उनके अद्वितीय व्यक्तित्वों पर निर्भर करता है? यदि अनुमान गलत है, तो पूरी गणना विफल हो जाती है।

यह ठीक वही समस्या है जिसे HINet नामक एक नए तरीके द्वारा हल किया गया है, जिसे शोधकर्ता दान कैलजोन, जेन्टे वैन बेले और वौटर वर्बेक ने प्रस्तावित किया है। एक पूर्व-निर्धारित अनुमान लगाने के बजाय कि पड़ोसी कैसे परस्पर क्रिया करते हैं, HINet एक अत्यंत बुद्धिमान जासूस की तरह है जो स्वयं पड़ोस के नियमों को सीख लेता है। शोधकर्ताओं ने एक न्यूरल नेटवर्क (एक प्रकार का कंप्यूटर मस्तिष्क) बनाया जो कनेक्शन के पूरे जाल को देखता है और यह पता लगाता है कि उपचार समूह के माध्यम से प्रभाव कैसे फैलता है, और इसके लिए किसी मैनुअल की आवश्यकता नहीं होती। उन्होंने इसका परीक्षण नकली डेटा और वास्तविक दुनिया के सामाजिक नेटवर्क पर किया, और पाया कि HINet लगातार सही उत्तर प्राप्त करता है, भले ही पड़ोस के "नियम" जटिल और अज्ञात हों। इसके विपरीत, पुराने तरीके जो नियमों का अनुमान लगाने पर निर्भर करते हैं, अक्सर बुरी तरह विफल हो जाते हैं जब उनका अनुमान थोड़ा भी गलत होता है। शोध पत्र सुझाव देता है कि डेटा को सीधे पड़ोस की गतिशीलता सीखने देने से, हम चिकित्सा या व्यवसाय में, सामाजिक प्रभाव की उलझनों में फंसे बिना, बेहतर निर्णय ले सकते हैं।

समस्या: पड़ोसियों का "अनुमान लगाने वाला खेल"

कल्पना कीजिए कि आप एक डॉक्टर हैं जो एक नए टीके का परीक्षण कर रहे हैं। आप इसे कुछ लोगों को देते हैं और दूसरों को नहीं। एक आदर्श, अलग-थलग दुनिया में, आप केवल दोनों समूहों की बीमारी की दरों की तुलना कर सकते हैं। लेकिन लोग अलग-थलग नहीं रहते; वे एक सामाजिक नेटवर्क का हिस्सा होते हैं। यदि आपका टीकाकृत मित्र शॉट लेता है, तो वह बीमार नहीं होगा, लेकिन वह आपको वायरस भी नहीं फैला पाएगा। आप सुरक्षित हैं भले ही आपने शॉट नहीं लिया हो। यह हस्तक्षेप (interference) है: एक व्यक्ति का उपचार दूसरे के परिणाम को बदल देता है।

इसे मापने के लिए, वैज्ञानिक आमतौर पर एक्सपोज़र मैपिंग (exposure mapping) का उपयोग करते हैं। इसे "पड़ोसी प्रभाव" को मिलाने की एक रेसिपी के रूप में समझें। एक सामान्य रेसिपी सरल है: "गिनें कि आपके कितने तत्काल पड़ोसियों को उपचार मिला है, और उसे कुल पड़ोसियों की संख्या से विभाजित करें।" यदि आपके 50% दोस्तों ने शॉट लिया है, तो आपका "एक्सपोज़र" 0.5 है। यह तब बहुत अच्छा काम करता है जब प्रभाव वास्तव में केवल एक साधारण औसत हो। लेकिन वास्तविक दुनिया में, प्रभाव अव्यवस्थित होता है। शायद आप केवल इस बात की परवाह करते हैं कि आपके सबसे अच्छे दोस्त ने शॉट लिया है, या शायद आप केवल तभी प्रभावित होते हैं जब आपके तीन विशिष्ट पड़ोसी शॉट लेते हैं। यदि वैज्ञानिक "औसत" वाली सरल रेसिपी का उपयोग करते हैं जबकि वास्तविक नियम "केवल सबसे अच्छा दोस्त" वाला है, तो टीके के प्रभाव की उनकी गणना गलत होगी। इसे मिसस्पेसिफिकेशन (misspecification) कहा जाता है, और यह एक बड़ी समस्या है क्योंकि, अधिकांश वास्तविक स्थितियों में, वास्तव में किसी को भी सही रेसिपी का पता नहीं होता है।

समाधान: HINet, पड़ोस का जासूस

लेखक इसे हल करने के लिए HINet (हेटरोजीनियस इंटरफेरेंस नेटवर्क) का प्रस्ताव करते हैं। वैज्ञानिकों से रेसिपी लिखने के लिए कहने के बजाय, HINet एक शक्तिशाली उपकरण लाता है जिसे ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है।

एक GNN को एक ऐसे जासूस के रूप में सोचें जो केवल एक व्यक्ति को नहीं देखता; वह पूरी पार्टी को देखता है। जब HINet यह भविष्यवाणी करने की कोशिश करता है कि किसी व्यक्ति के साथ क्या होगा, तो वह केवल यह नहीं देखता कि उस व्यक्ति को उपचार मिला या नहीं। वह व्यक्ति के अपने लक्षणों को देखता है, और फिर वह अपने दोस्तों के पूरे घेरे को स्कैन करता है। वह पूछता है: "इस घेरे में कौन उपचार प्राप्त कर चुका है? उनके लक्षण क्या हैं? वह विशिष्ट मिश्रण हमारे लक्ष्य को कैसे प्रभावित करता है?"

महत्वपूर्ण रूप से, HINet यह कार्य संयुक्त रूप से (jointly) करता है। यह "पड़ोस का प्रतिनिधित्व" (यह सारांश कि आपके आसपास कौन है और वे क्या कर रहे हैं) ठीक उसी समय सीखता है जब वह परिणाम की भविष्यवाणी करना सीख रहा होता है। यह एक ऐसे छात्र की तरह है जो खेल के नियमों को समझने के साथ-साथ गणित की समस्या को हल करना सीखता है। क्योंकि यह नियमों को डेटा से स्वयं सीखता है, इसे पूर्व-लिखित एक्सपोज़र मैपिंग की आवश्यकता नहीं होती। यह खोज सकता है कि प्रभाव विशिष्ट पड़ोसियों या जटिल संयोजनों पर निर्भर करता है, बिना इसे बताए कि उसे क्या खोजना है।

संतुलन बनाना: "नकली दोस्त" के जाल से बचना

एक दूसरा मुद्दा है जिसे यह शोध पत्र संबोधित करता है। वास्तविक जीवन में, लोगों को उपचार यादृच्छिक (randomly) रूप से नहीं मिलता। हो सकता है कि डॉक्टर स्वस्थ लोगों को टीका दे रहा हो, या कोई मार्केटिंग अभियान अमीर इलाकों को लक्षित कर रहा हो। यह एक पूर्वाग्रह पैदा करता है जिसे ट्रीटमेंट-कॉन्फ़िगरेशन इम्बैलेंस (treatment-configuration imbalance) कहा जाता है। यदि उपचारित समूह, अनुपचारित समूह से बहुत भिन्न है, तो यह बताना कठिन हो जाता है कि परिणाम उपचार के कारण था या केवल इस तथ्य के कारण कि वे शुरू से ही अलग थे।

एक नेटवर्क में, यह और भी अजीब हो जाता है। यदि आपके सभी दोस्त आपके जैसे ही हैं (जिसे होमोफिली/homophily कहा जाता है), और आपके सभी के उपचार मिलने की संभावना अधिक है, तो आपका "स्थानीय उपचार विन्यास" (आप + आपके दोस्तों के उपचार) आपके लक्षणों के आधार पर अनुमानित होता है। HINet इस समस्या को ठीक करने के लिए एडवर्सरियल ट्रेनिंग (adversarial training) नामक एक चतुर तकनीक का उपयोग करता है।

लुका-छिपी के खेल की कल्पना करें:

1. प्रेडिक्टर (HINet का मुख्य मस्तिष्क) परिणाम की भविष्यवाणी करने की कोशिश करता है (जैसे, "क्या यह व्यक्ति उत्पाद खरीदेगा?")।
2. एडवर्सरी (खोजने वाला/Seeker) केवल उस डेटा को देखकर यह अनुमान लगाने की कोशिश करता है कि किसे उपचार मिला और किसे नहीं।

HINet को प्रेडिक्टर को सटीक बनाने और साथ ही एडवर्सरी को चकमा देने के लिए प्रशिक्षित किया जाता है। यह एक ऐसा "प्रतिनिधित्व" (representation) बनाना चाहता है जो इतना संतुलित हो कि एडवर्सरी यह न बता सके कि किसे उपचार मिला और किसे नहीं। ऐसा करके, HINet यह सुनिश्चित करता है कि परिणामों में अंतर वास्तव में उपचार के कारण है, न कि इसलिए कि उपचारित समूह शुरू से ही एक अलग प्रकार का व्यक्ति था। शोध पत्र बताता है कि यह नेटवर्क-जागरूक संतुलन महत्वपूर्ण है, विशेष रूप से तब जब उपचार का निर्धारण स्थानीय वातावरण पर बहुत अधिक निर्भर करता है।

निष्कर्ष: "बिना अनुमान वाला" तरीका जीतता है

शोधकर्ताओं ने कई डेटासेट्स पर HINet का परीक्षण किया, जिसमें अलग-अलग प्रकार के हस्तक्षेप (जैसे "बाराबासी-अल्बर्ट" मॉडल और "होमोफिली" मॉडल) को सिम्युलेट करने के लिए बनाए गए नकली नेटवर्क और Flickr तथा सह-लेखक ग्राफ जैसे सामाजिक नेटवर्क से वास्तविक दुनिया का डेटा शामिल था। उन्होंने इसकी तुलना अन्य तरीकों से की जो एक्सपोज़र मैपिंग का अनुमान लगाने पर निर्भर करते हैं (जैसे NetEst और TNet) और उन तरीकों से भी जो नेटवर्क को पूरी तरह से अनदेखा करते हैं।

परिणाम स्पष्ट थे:

• जब अनुमान सही था: जिन तरीकों ने एक्सपोज़र मैपिंग का सही अनुमान लगाया, वे अच्छा प्रदर्शन करते थे, लेकिन HINet भी उतना ही अच्छा था।
• जब अनुमान गलत था: यहीं असली जादू हुआ। जब शोधकर्ताओं ने सिमुलेशन के नियमों को बदल दिया (उदाहरण के लिए, प्रभाव को औसत के बजाय एक विशिष्ट पड़ोसी पर निर्भर बनाना), तो अनुमान लगाने वाले तरीके विफल हो गए। उनकी त्रुटि दर आसमान छूने लगी क्योंकि उनका पूर्व-निर्धारित नुस्खा वास्तविकता से मेल नहीं खा रहा था।
• HINet की निरंतरता: HINet ने सभी परिदृश्यों में लगातार अच्छा प्रदर्शन किया। इससे कोई फर्क नहीं पड़ता था कि हस्तक्षेप सरल था, जटिल था, या विशिष्ट पड़ोसियों पर आधारित था। क्योंकि इसने पैटर्न को डेटा से सीखा, यह गलत धारणाओं से विचलित नहीं हुआ।

शोध पत्र ने सफलता को मापने के दो नए तरीके भी पेश किए जिन्हें CNEE (काउंटरफैक्चुअल नेटवर्क एस्टिमेशन एरर) और PEHNE (प्रिसिजन इन एस्टिमेशन ऑफ हेट्रोजेनियस नेटवर्क इफेक्ट्स) कहा जाता है। ये मेट्रिक्स यह जांचते हैं कि एक मॉडल केवल उस एक घटना के बजाय कई अलग-अलग संभावित "क्या-होता-यदि" (what-if) परिदृश्यों में परिणामों की कितनी अच्छी तरह भविष्यवाणी करता है। Hinet ने इन मेट्रिक्स पर सबसे कम त्रुटि दर्ज की, जो साबित करता है कि यह मजबूत है।

मुख्य निष्कर्ष

मुख्य निष्कर्ष यह है कि हस्तक्षेप के प्रभावों को मापने के लिए आपको हस्तक्षेप के नियमों को जानने की आवश्यकता नहीं है। एक लचीले न्यूरल नेटवर्क का उपयोग करके जो पड़ोस की गतिशीलता को स्वतः सीखता है और डेटा को संतुलित करके पूर्वाग्रह को हटाता है, HINet सटीक रूप से उपचार के प्रभावों का अनुमान लगा सकता है, भले ही अंतर्निहित तंत्र एक रहस्य हो।

लेखक सुझाव देते हैं कि हालांकि पुराने तरीके उपयोगी हैं यदि आप इस बारे में पूरी तरह आश्वस्त हैं कि पड़ोसी एक-दूसरे को कैसे प्रभावित करते हैं, लेकिन वास्तविक दुनिया में वे जोखिम भरे हैं जहाँ वे नियम अज्ञात होते हैं। HINet एक सुरक्षित और अधिक सुसंगत विकल्प प्रदान करता है। यह सुझाव देता है कि सामाजिक नेटवर्क की जटिल और परस्पर जुड़ी दुनिया में, सबसे अच्छा दृष्टिकोण यह है कि हम अपने स्वयं के अनुमानों को थोपने के बजाय डेटा को ही नियम सिखाने दें। शोध पत्र यह दावा नहीं करता है कि इसने कारण अनुमान (causal inference) की हर समस्या को हल कर दिया है, लेकिन यह नेटवर्क हस्तक्षेप की अनिश्चितता से निपटने के लिए एक मजबूत, साक्ष्य-आधारित उपकरण प्रदान करता है।