📊 statistics

PRCD-MAP: Learning How Much to Trust Imperfect Priors in Causal Discovery

यह शोध पत्र PRCD-MAP का प्रस्ताव करता है, जो एक कारण खोज (causal discovery) विधि है जो एम्पिरिकल बेयस कैलिब्रेशन और MLP प्रसार के माध्यम से अपूर्ण बाहरी पूर्वग्रहों (external priors) में प्रति-किनारा विश्वास (per-edge trust) को गतिशील रूप से सीखती है, जिससे एक ऐसा मजबूत प्रदर्शन प्राप्त होता है जो सूचनात्मक संकेतों का स्वचालित रूप से लाभ उठाता है और अविश्वसनीय या गैर-सूचनात्मक संकेतों को सुरक्षित रूप से अनदेखा करता है।

मूल लेखक: Xihang Shan, Da Zhou

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xihang Shan, Da Zhou

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 यह समझने की कोशिश कर रहे हैं कि एक जटिल मशीन कैसे काम करती है—जैसे कि एक कार का इंजन—उसे चलते हुए देखकर। आपके पास जानकारी के दो स्रोत हैं:

डेटा (The Data): आप कुछ मिनटों तक कार को देखते हैं और जो कुछ भी होता है उसे रिकॉर्ड करते हैं।
प्रायर/संकेत (The Prior - "The Hint"): आपके पास एक मैनुअल है या एक दोस्त है जो कहता है, "मुझे लगता है कि फ्यूल पंप इंजन को शुरू करता है।"

समस्या यह है कि आपका दोस्त (या मैनुअल) हमेशा सही नहीं होता। कभी-कभी वे विशेषज्ञ होते हैं (जैसे कि एक भौतिक विज्ञान के प्रोफेसर), और कभी-कभी वे केवल अनुमान लगा रहे होते हैं (जैसे कि एक दोस्त जिसने किसी ब्लॉग को पढ़ा है)। यदि आप उन पर आँख मूंदकर भरोसा करते हैं, तो आप एक खराब इंजन बना सकते हैं। यदि आप उन्हें पूरी तरह से अनदेखा करते हैं, तो आप मददगार सुरागों को खो देते हैं।

PRCD-MAP एक नया कंप्यूटर तरीका है जो इस "भरोसे की दुविधा" को हल करता है। यह एक स्मार्ट, सतर्क मैनेजर की तरह काम करता है जो यह तय करता है कि प्रत्येक विशिष्ट संकेत पर कितना भरोसा करना है इस आधार पर कि डेटा उस संकेत से सहमत है या नहीं।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. समस्या: "अंधविश्वास" का जाल (The "Blind Trust" Trap)

मौजूदा तरीके दो चरम सीमाओं की तरह हैं:

शंकालु (The Skeptic): संकेत को पूरी तरह से अनदेखा कर देता है। वे केवल डेटा को देखते हैं। यदि डेटा शोर भरा (noisy) या कम है, तो वे उत्तर चूक सकते हैं।
विश्वासी (The Believer): संकेत को पूर्ण सत्य मान लेता है। यदि संकेत कहता है "A के कारण B होता है," तो वे कंप्यूटर को इसे मानने के लिए मजबूर करते हैं, भले ही डेटा कहता हो कि "A और B कभी एक साथ नहीं होते।" यदि संकेत गलत है, तो पूरा मॉडल टूट जाता है।

वास्तविक दुनिया के संकेत अव्यवस्थित होते हैं। कुछ ठोस तथ्य हैं (जैसे "गुरुत्वाकर्षण चीजों को नीचे खींचता है"), जबकि अन्य केवल अनुमान हैं (जैसे "शायद इस स्टॉक की कीमत उस एक को प्रभावित करती है")। आपको उन्हें अलग तरह से व्यवहार करने की आवश्यकता है।

2. समाधान: "स्मार्ट मैनेजर" (PRCD-MAP)

PRCD-MAP कैलिब्रेटेड ट्रस्ट (Calibrated Trust) की एक परत पेश करता है। सभी संकेतों के साथ एक जैसा व्यवहार करने के बजाय, यह प्रत्येक कनेक्शन को एक "ट्रस्ट स्कोर" असाइन करता है।

"ट्रस्ट स्कोर" (तापमान/Temperature): कल्पना कीजिए कि हर संकेत के लिए एक डिमर स्विच (dimmer switch) है।
- यदि डेटा संकेत के साथ सहमत है, तो मैनेजर डिमर को ऊपर करता है (उच्च विश्वास)। संकेत को मॉडल को मजबूती से निर्देशित करने का मौका मिलता है।
- यदि डेटा संकेत का विरोध करता है, तो मैनेजर डिमर को नीचे करता है (कम विश्वास)। संकेत को प्रभावी रूप से अनदेखा कर दिया जाता है, और मॉडल डेटा पर निर्भर रहता है।
- यदि संकेत केवल रैंडम शोर है (जैसे कि कार के किसी ऐसे हिस्से के बारे में अनुमान जो मौजूद ही नहीं है), तो मैनेजर डिमर को पूरी तरह से बंद कर देता है। मॉडल केवल डेटा का उपयोग करने के लिए वापस लौट आता है, जिससे यह सुनिश्चित होता है कि वह भटक न जाए।

3. यह कैसे सीखता है कि भरोसा कैसे किया जाए

कंप्यूटर को कैसे पता चलता है कि किन संकेतों पर भरोसा करना है? यह एक चतुर तकनीक का उपयोग करता है जिसे एम्पे्रिकल बेयस (Empirical Bayes) कहा जाता है।

इसे एक जासूस की तरह समझें जो अलबी (alibi) की जाँच कर रहा है:

कंप्यूटर एक संकेत के "पड़ोस" (neighborhood) को देखता है। यदि कोई संकेत कहता है "A के कारण B होता है," तो कंप्यूटर देखता है कि क्या अन्य संबंधित चीजें (जैसे "A के कारण C होता है" या "D के कारण B होता है") भी डेटा के साथ तर्कसंगत हैं।
यदि संकेतों का पूरा पड़ोस डेटा के साथ सुसंगत है, तो कंप्यूटर ट्रस्ट स्कोर को बढ़ा देता है।
यदि पड़ोस अराजक है और डेटा का विरोध करता है, तो ट्रस्ट स्कोर गिर जाता है।

यह एक शिक्षक की तरह है जो छात्र के होमवर्क को ग्रेड दे रहा है। यदि छात्र आसान सवालों के सही जवाब देता है, तो शिक्षक कठिन सवालों पर भी उन पर भरोसा करता है। यदि वे आसान सवालों में गलत होते हैं, तो शिक्षक उनके कठिन सवालों पर भरोसा करना बंद कर देता है।

4. "सुरक्षा जाल" (The "Safety Net")

पेपर का दावा है कि इसमें एक अंतर्निहित सुरक्षा गारंटी है।

यदि संकेत बहुत खराब हैं: यह तरीका स्वचालित रूप से समझ जाता है कि वे बेकार हैं, भरोसे को शून्य तक कम कर देता है, और बिल्कुल वैसा ही प्रदर्शन करता है जैसा कि इसके पास कोई संकेत न होता। यह बुरे संकेतों के कारण कभी भी खराब नहीं होता।
यदि संकेत बेहतरीन हैं: यह उनका लाभ उठाता है और उत्तर खोजने के लिए उनका उपयोग करता है, जिससे परिणाम अधिक तेज़ और सटीक मिलते हैं।

5. वास्तविक दुनिया के परीक्षण

लेखकों ने वास्तविक डेटा पर इसका परीक्षण किया, जिसमें शामिल हैं:

वायु गुणवत्ता (AQI): जहाँ प्रदूषण के बारे में लार्ज लैंग्वेज मॉडल्स (LLMs) से मिले संकेत काफी हद तक सही थे। PRCD-MAP ने इन संकेतों का उपयोग करके बहुत बेहतर परिणाम प्राप्त किए।
ट्रैफिक डेटा: जहाँ संकेत गुमनाम नंबरों के बारे में थे (तो LLMs केवल अनुमान लगा रहे थे)। PRCD-MAP ने सही ढंग से पहचान लिया कि संकेत बेकार थे, उन्हें अनदेखा कर दिया, और भ्रमित नहीं हुआ।
मेडिकल डेटा: इसने भविष्यवाणियों को बेहतर बनाने के लिए चिकित्सा ज्ञान का सफलतापूर्वक उपयोग किया।

निष्कर्ष (The Bottom Line)

PRCD-MAP एक ऐसा उपकरण है जो कंप्यूटर को शंकालु होना सिखाता है। यह निर्देशों का अंधाधुंध पालन नहीं करता, न ही वह जिद के साथ उन्हें अनदेखा करता है। यह लगातार जाँच करता है: "क्या यह संकेत वास्तविक दुनिया में जो मैं देख रहा हूँ उससे मेल खाता है?" यदि हाँ, तो यह सुनता है। यदि नहीं, तो यह उसे अनसुना कर देता है। यह इसे बुरे सुझावों के प्रति मजबूत बनाता है और साथ ही अच्छे सुझावों से सीखने में सक्षम भी बनाता है।

तकनीकी सारांश: PRCD-MAP

समस्या विवरण

अवलोकनात्मक डेटा (observational data) से कारण खोज (causal discovery) सीमित नमूनों और भारी शोर (noise) की स्थितियों में चुनौतीपूर्ण बनी हुई है। अभ्यासकर्ता अक्सर विविध स्रोतों (जैसे भौतिक नियम, इनपुट-आउटपुट तालिकाएं, या लार्ज लैंग्वेज मॉडल्स) से आंशिक कारण ज्ञान प्राप्त करते हैं, फिर भी यह ज्ञान विषम रूप से विश्वसनीय (heterogeneously reliable) होता है: कुछ किनारे (edges) उच्च-विश्वास वाले होते हैं, जबकि अन्य काल्पनिक होते हैं। मौजूदा विधियाँ एक नाजुक समझौते का सामना करती हैं: वे या तो प्रायर्स (priors) को पूरी तरह से अनदेखा करती हैं या उन्हें वैश्विक रूप से समान विश्वास (globally uniform trust) (जैसे हार्ड मास्क या निश्चित सॉफ्ट वेट्स) के माध्यम से लागू करती हैं। कठोर मास्किंग तब त्रुटियों को बढ़ा देती है जब प्रायर्स आंशिक रूप से गलत होते हैं, जबकि अंध विश्वास प्रदर्शन को कम कर देता है। अपूर्ण प्रायर्स के लिए प्रति-किनारा विश्वास (per-edge trust) निर्धारित करने वाले तंत्रों का अभाव है जो स्थानीय विश्वसनीयता और डेटा पुष्टि के अनुकूल हो सके।

कार्यप्रणाली: PRCD-MAP

लेखक PRCD-MAP (प्रायर-रेगुलेटेड कैलिब्रेटेड डिस्कवरी वाया मैक्सिमम ए पोस्टीरिओरी) प्रस्तावित करते हैं, जो एक ऐसा ढांचा है जो यह सीखता है कि एक अपूर्ण प्रायर पर प्रति-किनारा कितना विश्वास किया जाए। यह विधि एक स्ट्रक्चरल VAR (SVAR) सेटिंग के भीतर कार्य करती है और तीन मुख्य घटकों को एकीकृत करती है:

1. सॉफ्ट प्रायर-कंजम्पशन लेयर (Soft Prior-Consumption Layer)

PRCD-MAP एक MAP ऑब्जेक्टिव तैयार करता है जो डेटा फिडेलिटी (मजबूती के लिए हबर लॉस) को दो प्रायर-मॉड्यूलेटेड रेगुलराइज़र्स के साथ जोड़ता है:

प्रायर-मॉड्यूलेटेड $\ell_1$ पेनल्टी: स्पर्सिटी पेनल्टी गुणांक $c_{ij}(\tau)$ को एक कैलिब्रेटेड प्रायर प्रोबेबिलिटी $\hat{P}_{ij}(\tau)$ द्वारा मॉड्यूलेट किया जाता है। उच्च-विश्वास वाले किनारों को कम दंड मिलता है (रिटेंशन को बढ़ावा देने के लिए), जबकि कम-विश्वास वाले किनारों को अधिक दंड मिलता है।
प्रायर-वेटेड $\ell_2$ रेगुलराइज़र: एक गॉसियन प्रायर लागू किया जाता है जहाँ प्रिसिजन मास्क $\Omega(\tau)$ कैलिब्रेटेड प्रायर के व्युत्क्रमानुपाती होता है। प्रशंसनीय किनारों को कमजोर श्रिंकेज (shrinkage) प्राप्त होता है; अव्यावहारिक किनारों को शून्य की ओर मजबूत श्रिंकेज प्राप्त होता है।

2. स्ट्रक्चर-अवेयर ट्रस्ट प्रोपेगेशन (Structure-Aware Trust Propagation)

एक ही क्वांटाइल बिन (ग्रुपेड टेम्परेचर) के लिए एकल ट्रस्ट पैरामीटर असाइन करने के बजाय, PRCD-MAP एक हल्का मल्टी-लेयर परसेप्ट्रॉन (MLP) का उपयोग करके प्रति-किनारा ट्रस्ट टेम्परेचर $\tau_{ij}$ सीखता है।

इनपुट फीचर्स: MLP प्रत्येक किनारे के लिए एक 6-आयामी फीचर वेक्टर $z_{ij}$ लेता है, जिसमें प्रायर का मान, प्रायर और वर्तमान वेट अनुमानों के पड़ोस के सांख्यिकी (neighborhood statistics), और एक प्रायर-डेटा समझौता शब्द शामिल है।
तंत्र: विश्वास को प्रायर ग्राफ के साथ प्रसारित किया जाता है। डेटा-पुष्ट पड़ोस एक किनारे के विश्वास को बढ़ाते हैं, जबकि विरोधाभास इसे कम करते हैं। यह मॉडल को उन किनारों के बीच अंतर करने की अनुमति देता है जो समान प्रायर मान साझा करते हुए भी अलग-अलग विश्वसनीयता समुदायों में आते हैं।

3. एम्पिरिकल बेज़ (Empirical Bayes) कैलिब्रेशन

चूंकि प्रायर विश्वसनीयता a priori अज्ञात होती है, इसलिए ट्रस्ट पैरामीटर्स (ग्रुपेड $\tau$ या MLP वेट्स $\theta$ ) एक एम्पिरिकल बेज़ प्रक्रिया के माध्यम से सीखे जाते हैं।

ऑब्जेक्टिव: EB ऑब्जेक्टिव एक एग्रीमेंट लॉस (कैलिब्रेटेड प्रायर को वर्तमान MAP अनुमान के एज स्ट्रेंथ से मिलाना), एक लैप्लेस लॉग-डिटरमिनेंट टर्म (मार्जिनल लाइकलीहुड का अनुमान), और एक रेगुलराइज़र के संयोजन को न्यूनतम करता है।
सुरक्षा गारंटी: EB तंत्र स्वचालित रूप से विश्वास को कैलिब्रेट करता है। यदि प्रायर अनइंफॉर्मेटिव है (सटीकता $\approx 0.5$ ), तो सीखा गया ट्रस्ट $\tau^\star$ प्रमाणित रूप से एक न्यूनतम फ्लोर ( $\tau_{min}$ ) पर गिर जाता है, जो प्रभावी रूप से प्रायर को अनदेखा करता है और नो-प्रायर बेसलाइन को पुनः प्राप्त करता है। यदि प्रायर सटीक है, तो प्रायर को तीक्ष्ण बनाने के लिए विश्वास बढ़ता है।

प्रमुख योगदान

सेफ प्रायर कंजम्पशन: PRCD-MAP प्रायर-जेनरेशन डिस्ट्रीब्यूशन पर अपेक्षा (expectation) के रूप में एक $\epsilon$ -सेफ्टी गारंटी प्रदान करता है। अतिरिक्त जोखिम (excess risk) $O(d^2/T)$ द्वारा सीमित है, जो ओरकल कन्वर्जेंस रेट को विरासत में लेता है। सैद्धांतिक रूप से, अनइंफॉर्मेटिव प्रायर्स के तहत, यह विधि प्रमाणित रूप से नो-प्रायर बेसलाइन में सिमट जाती है, जिससे प्रदर्शन में गिरावट को रोका जा सकता है।
स्ट्रक्चर-अवेयर ट्रस्ट प्रोपेगेशन: शोध पत्र प्रदर्शित करता है कि विषम प्रायर गुणवत्ता के तहत प्रति-ग्रुप ट्रस्ट में $\Omega(1/G)$ का अतिरिक्त जोखिम होता है। सीखा गया MLP ने पड़ोस की निरंतरता का लाभ उठाकर इस अंतर को पाट दिया है, जिससे CausalTime डेटासेट्स पर प्रति-ग्रुप बेसलाइन्स पर +0.029 AUROC का अनुभवजन्य लाभ हुआ है।
मैकेनिज्म डिकंपोजिशन: वास्तविक दुनिया के डेटा पर एक चार-तरफा एब्लेशन (ablation) सॉफ्ट-प्रायर फ्रेमवर्क, EB कैलिब्रेशन, MLP ट्रस्ट प्रोपेगेशन और LLM कंटेंट के योगदान को अलग करता है। EB + MLP उप-ब्लॉक PCMCI+ जैसे बेसलाइन्स पर कुल लाभ का बड़ा हिस्सा वहन करता है।
स्केलेबिलिटी और जनरलाइजेशन: यह विधि $d=300$ वेरिएबल्स तक स्केल करती है (GPU पर $d=100$ के लिए ~1.7s में चलती है) और न्यूरल एडिटिव मॉडल्स (NAM) के माध्यम से नॉन-लीनियर सेटिंग्स तक विस्तारित होती है। यह सभी परीक्षण किए गए CausalTime डेटासेट्स पर मैच किए गए प्रोटोकॉल के तहत निकटतम सॉफ्ट-बेज़ियन बेसलाइन, BayesDAG, को पछाड़ देती है।

प्रयोगात्मक परिणाम

सिंथेटिक डेटा: PRCD-MAP सूचनात्मक प्रायर्स (सटीकता 0.9) का लाभ उठाकर लगभग ओरकल प्रदर्शन प्राप्त करने के लिए, जबकि खराब प्रायर्स (सटीकता 0.4) के तहत प्रायर-अग्नोस्टिक बेसलाइन्स (जैसे PCMCI+) के साथ प्रतिस्पर्धी बना रहता है। सीखा गया ट्रस्ट तंत्र एक भंगुर प्रायर कंज्यूमर को एक सुरक्षित कंज्यूमर में बदल देता है।
रियल-वर्ल्ड बेंचमार्क्स (CausalTime):
- AQI और मेडिकल: सिमेंटिकली नाम वाले वेरिएबल्स वाले डेटासेट्स पर, LLM-जनरेटेड प्रायर्स सूचनात्मक होते हैं। PRCD-MAP, PCMCI+ की तुलना में AQI पर +0.123 AUROC और मेडिकल पर +0.043 AUROC प्राप्त करता है।
- ट्रैफिक: एक ऐसे डेटासेट पर जहाँ एनोनिमस इंडेक्स हैं जहाँ LLM प्रायर्स अनइंफॉर्मेटिव हैं, PRCD-MAP स्वयं को कम (auto-attenuates) कर देता है (ट्रस्ट $\tau_{min}$ तक गिर जाता है), जिससे यह नो-प्रायर बेसलाइन के साथ बराबरी करता है और कठोर मास्किंग विधियों में देखी गई प्रदर्शन गिरावट से बचता है।
BayesDAG के साथ तुलना: PRCD-MAP हर CausalTime डेटासेट और क्रॉस-सेक्शनल सिंथेटिक सेटिंग्स पर BayesDAG को पछाड़ता है, और जैसे-जैसे प्रायर की सटीकता बढ़ती है, यह अंतर और चौड़ा होता जाता है।
एब्लेशन: EB कैलिब्रेशन और MLP ट्रस्ट प्रोपेगेशन संयुक्त रूप से प्रदर्शन लाभ का अधिकांश हिस्सा रखते हैं। हबर लॉस के कारण यह विधि हेवी-टेल्ड नॉइज़ (Laplace, Student-t) के प्रति मजबूत है।

महत्व और दावे

शोध पत्र का दावा है कि PRCD-MAP बाहरी प्रायर्स के लिए एक सिद्धांतिक कंजम्पशन लेयर स्थापित करता है। इसका प्राथमिक महत्व अपूर्ण प्रायर्स के सिग्नल और स्पर्सिटी के बीच के ट्रेड-ऑफ को हल करने में निहित है:

यह मैनुअल ट्यूनिंग या प्रायर सटीकता के ग्राउंड-ट्रुथ ज्ञान की आवश्यकता के बिना स्वचालित रूप से अनुकूलित होता है।
यह पॉपुलेशन-लेवल सेफ्टी गारंटी प्रदान करता है, यह सुनिश्चित करता है कि विधि प्रदर्शन को खराब नहीं करती है जब प्रायर्स अनइंफॉर्मेटिव होते हैं, जो वास्तविक दुनिया की तैनाती के लिए एक महत्वपूर्ण गुण है जहाँ प्रायर विश्वसनीयता अज्ञात होती है।
यह प्रदर्शित करता है कि स्ट्रक्चर-अवेयर ट्रस्ट प्रोपेगेशन (पड़ोस की निरंतरता के माध्यम से प्रति-किनारा ट्रस्ट सीखना) विषम प्रायर्स का पूर्ण उपयोग करने के लिए आवश्यक है, जो सरल ग्रुपेड ट्रस्ट तंत्रों से बेहतर प्रदर्शन करता है।

लेखक PRCD-MAP को एक सेटिंग-अग्नोस्टिक सिद्धांत के रूप में प्रस्तुत करते हैं जो टेम्पोरल कॉज़ल डिस्कवरी से परे क्रॉस-सेक्शनल स्ट्रक्चर लर्निंग तक विस्तारित होता है, जो हार्ड-कंस्ट्रेंट और फिक्स्ड-ट्रस्ट सॉफ्ट-प्रायर विधियों दोनों के लिए एक मजबूत विकल्प प्रदान करता है।