📊 statistics

Distributional Causal Mediation via Conditional Generative Modeling

यह शोध पत्र डिस्ट्रीब्यूशनल कॉज़ल मीडिएशन एनालिसिस (DCMA) प्रस्तुत करता है, जो एक जनरेटिव लर्निंग फ्रेमवर्क है जो कई मीडिएटर्स के माध्यम से प्रसारित संपूर्ण आउटकम डिस्ट्रीब्यूशंस पर ट्रीटमेंट प्रभावों का अनुमान लगाने के लिए कंडीशनल जनरेटिव मॉडल्स और मोंटे कार्लो सिमुलेशन का उपयोग करता है, जिससे पारंपरिक मीन-आधारित कंट्रास्ट की सीमाओं को पार करते हुए विश्लेषणात्मक त्रुटि सीमाएं (एरर बाउंड्स) प्रदान की जा सकती हैं।

मूल लेखक: Jinlun Zhang, Haoneng Huang, Zishu Zhan, Chunquan Ou

प्रकाशित 2026-05-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jinlun Zhang, Haoneng Huang, Zishu Zhan, Chunquan Ou

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 कोई विशिष्ट उपचार (जैसे कि एक नई दवा या नीति परिवर्तन) लोगों के स्वास्थ्य को क्यों बदल देता है। पारंपरिक रूप से, वैज्ञानिक औसत (average) परिणाम को देखते हैं। वे पूछते हैं: "क्या उपचार ने औसत रक्तचाप को 5 अंक बढ़ा दिया?"

लेकिन औसत भ्रामक हो सकते हैं। वे एक "स्मूदी" की तरह हैं जो सब कुछ मिला देती है। यदि उपचार आधे लोगों को अद्भुत महसूस कराता है और बाकी आधे को बहुत बुरा, तो औसत "ठीक" दिख सकता है, जो इस तथ्य को छिपा देता है कि उपचार ने वास्तव में समूह को दो बहुत अलग समूहों में विभाजित कर दिया है।

यह शोध पत्र एक नया उपकरण प्रस्तुत करता है जिसे DCMA (डिस्ट्रिब्यूशनल कॉज़ल मीडिएशन एनालिसिस) कहा जाता है। केवल औसत देखने के बजाय, DCMA परिणामों के संपूर्ण स्वरूप (entire shape) को देखता है। यह पूछता है: "क्या उपचार ने इस बात की पूरी कहानी बदल दी कि लोगों ने कैसे प्रतिक्रिया दी?"

यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "औसत" का अंधा बिंदु (The "Average" Blind Spot)

कल्पना कीजिए कि एक स्कूल एक नई शिक्षण पद्धति पेश करता है।

पुराना तरीका (औसत): प्रधानाचार्य कक्षा के औसत को देखते हैं और कहते हैं, "बहुत बढ़िया! औसत परीक्षा स्कोर वही रहा।"
वास्तविकता: नई पद्धति ने वास्तव में शीर्ष छात्रों को बहुत आगे पहुँचा दिया लेकिन संघर्ष कर रहे छात्रों को नुकसान पहुँचाया, जिससे एक "बाइमोडल" (bimodal) वितरण बन गया (दो अलग-अलग शिखर: बहुत उच्च स्कोर और बहुत कम स्कोर)। औसत ने इस बड़े बदलाव को छिपा दिया।

शोध पत्र का तर्क है कि हमें केवल सारांश संख्या नहीं, बल्कि पूरे वितरण को देखने की आवश्यकता है।

2. समाधान: एक "समय-यात्रा" करने वाला सिम्युलेटर (A "Time-Traveling" Simulator)

यह समझने के लिए कि उपचार कैसे काम करता है, हमें मध्यवर्तियों (mediators)—अर्थात बीच के चरणों—को समझने की आवश्यकता है।

उदाहरण: धूम्रपान (उपचार) $\rightarrow$ वजन बढ़ना (मध्यवर्ती) $\rightarrow$ उच्च रक्तचाप (परिणाम)।

शोध पत्र एक जेनरेटिव लर्निंग फ्रेमवर्क (Generative Learning Framework) का प्रस्ताव करता है। इसे एक अत्यधिक उन्नत वीडियो गेम सिम्युलेटर के रूप में सोचें:

नियमों को सीखना: AI वास्तविक दुनिया के डेटा को देखकर "खेल के नियमों" को सीखता है। यह सीखता है कि धूम्रपान वजन को कैसे बदलता है, और वजन रक्तचाप को कैसे बदलता है। यह केवल औसत नहीं सीखता; यह हर संभावित परिणाम की संभावना (probability) सीखता है (जैसे कि एक मौसम का पूर्वानुमान जो केवल "औंतीक तापमान" बताने के बजाय बारिश, बर्फ या धूप की भविष्यवाणी करता है)।
"क्या होगा अगर" इंजन: एक बार जब AI नियम जान लेता है, तो हम मोंटे कार्लो सिमुलेशन (Monte Carlo simulations) चला सकते हैं। यह "रिवाइंड" और "फास्ट फॉरवर्ड" बटन दबाने जैसा है।
- हम पूछ सकते हैं: "वजन का वितरण कैसा होगा यदि सभी का वजन धूम्रपान न करने वालों के समान हो, लेकिन वे धूम्रपान जारी रखें?"
- हम पूछ सकते हैं: "क्या होगा यदि हम वजन के वितरण को बदल दें लेकिन धूम्रपान की आदतों को समान रखें?"

3. जादुई ट्रिक: नॉइज़ रीसैंपलिंग (Noise Resampling)

सिम्युलेटर नए डेटा के बिना ये "क्या होगा अगर" वाले परिदृश्य कैसे बनाता है?

कल्पना कीजिए कि AI के पास एक "नॉइज़ जनरेटर" (जैसे कि जीवन के सभी छोटे, अप्रत्याशित कारकों का प्रतिनिधित्व करने वाला एक रैंडम डाइस रोल) है।
एक नया परिदृश्य बनाने के लिए, AI उसी व्यक्ति के डेटा को लेता है, उनकी पृष्ठभूमि को समान रखता है, लेकिन डाइस रोल (शोर/नॉइज़) को फिर से सैंपल (resample) करता है और उन्हें सीखे गए नियमों में डाल देता है।
ऐसा हजारों बार करके, यह एक नया, पूर्ण चित्र बनाता है कि एक अलग हस्तक्षेप के तहत परिणाम का वितरण कैसा होता।

4. यह क्यों महत्वपूर्ण है

शोध पत्र दिखाता है कि यह विधि उन परिवर्तनों का पता लगा सकती है जिन्हें पारंपरिक गणित मिस कर देता है:

आकार में बदलाव (Shape Shifts): यह आपको बता सकता है कि क्या उपचार एक "बेल कर्व" (सामान्य वितरण) को "दो कूबड़ वाले ऊँट" (बाइमोडल वितरण) में बदल देता है।
पथ विशिष्टता (Path Specifics): यह प्रभावों को अलग कर सकता है। उदाहरण के लिए, यह बता सकता है कि रक्तचाप में परिवर्तन का कितना हिस्सा सीधे धूम्रपान के कारण है, और कितना धूम्रपान के माध्यम से वजन बढ़ने के कारण है।
वास्तविक दुनिया का प्रमाण: लेखकों ने UK बायोबैंक (धूम्रपान, वजन, कोलेस्ट्रॉल और रक्तचाप) के वास्तविक डेटा पर इसका परीक्षण किया। उन्होंने पाया कि जबकि धूम्रपान ने औसत रक्तचाप को बहुत अधिक नहीं बदला, इसने वितरण को थोड़ा स्थानांतरित कर दिया, विशेष रूप से BMI (बॉडी मास इंडेक्स) पर इसके प्रभाव के माध्यम से।

सारांश

संक्षेप में, यह शोध पत्र शोधकर्ताओं को कॉज़ल विश्लेषण के लिए एक हाई-डेफिनिशन कैमरा प्रदान करता है। "औसत" प्रभाव की एक धुंधली फोटो लेने के बजाय, DCMA पूरे वितरण का एक 3D वीडियो लेता है, जिससे हमें यह देखने में मदद मिलती है कि उपचार परिणामों के परिदृश्य को कैसे नया आकार देते हैं, जिससे वे छिपे हुए पैटर्न सामने आते हैं जिन्हें साधारण औसत पूरी तरह से मिस कर देते।

तकनीकी सारांश: कंडीशनल जेनेरेटिव मॉडलिंग के माध्यम से डिस्ट्रीब्यूशनल कॉज़ल मीडिएशन (Distributional Causal Mediation via Conditional Generative Modeling)

1. समस्या का विवरण (Problem Statement)

पारंपरिक कॉज़ल मीडिएशन विश्लेषण मुख्य रूप से परिणाम-स्तर के सारांश कंट्रास्ट (summary contrasts) पर ध्यान केंद्रित करता है, जैसे कि औसत प्रभाव (mean effects)। लेखक तर्क देते हैं कि यह दृष्टिकोण जटिल, गैर-रैखिक (nonlinear) कारण तंत्रों द्वारा प्रेरित पर्याप्त वितरण परिवर्तनों (distributional changes) को छिपा देता है। समान औसत प्रभावों वाले हस्तक्षेप (interventions) पूरी तरह से भिन्न परिणाम वितरण उत्पन्न कर सकते हैं (जैसे, माध्य को अपरिवर्तित रखते हुए उप-समूहों के बीच के अंतर को बढ़ा देना)। इसके अलावा, मौजूदा विधियाँ अक्सर पैरामीट्रिक मॉडल पर निर्भर करती हैं और कई मध्यस्थों (mediators) के शामिल होने पर पथ-विशिष्ट वितरण प्रभावों (path-specific distributional effects) को पकड़ने में संघर्ष करती हैं।

यह शोध पत्र सारांश-आधारित मीडिएशन विश्लेषण से आगे बढ़कर पूर्ण वितरण लक्षण वर्णन (full distributional characterization) की आवश्यकता को संबोधित करता है। लक्ष्य यह पहचानना और अनुमान लगाना है कि उपचार (treatments) पूरे परिणाम वितरण को, प्रत्यक्ष और कई मध्यस्थों के माध्यम से, कैसे नया आकार देते हैं, और यह सब बिना किसी प्रतिबंधात्मक पैरामीट्रिक धारणाओं के किया जाता है।

2. कार्यप्रणाली: DCMA ढांचा (Methodology: The DCMA Framework)

लेखक डिस्ट्रीब्यूशनल कॉज़ल मीडिएशन एनालिसिस (DCMA) का प्रस्ताव करते हैं, जो एक जेनेरेटिव लर्निंग फ्रेमवर्क है जो इंटरवेंशनल मीडिएशन थ्योरी को कंडीशनल जेनेरेटिव मॉडलिंग के साथ एकीकृत करता है।

2.1. लक्षित एस्टिमेंड्स (Target Estimands)

यह ढांचा इंटरवेंशनल मीडिएशन प्रभावों को वितरण स्तर तक विस्तारित करता है। स्केलर कंट्रास्ट के बजाय, प्राथमिक वस्तुएं स्वयं इंटरवेंशनल आउटकम डिस्ट्रीब्यूशन हैं। लेखक एक सामान्य द्विसंवादी फलन (bivariate functional) $\Psi$ का उपयोग करके वितरण-आधारित एस्टिमेंड्स को परिभाषित करते हैं:

इंटरवेंशनल टोटल इफेक्ट (ITE): उपचार $A=1$ बनाम $A=0$ के तहत परिणाम वितरण की तुलना करता है, जहाँ मध्यस्थ क्रमशः संबंधित उपचारों के तहत अपने प्राकृतिक वितरण का पालन करते हैं।
इंटरवेंशनल डायरेक्ट इफेक्ट (IDE): उन परिणामों की तुलना करता है जहाँ उपचार बदलता है ( $A=1$ बनाम $A=0$ ) जबकि मध्यस्थ $A=0$ द्वारा प्रेरित वितरण पर स्थिर रहते हैं।
इंटरवेंशनल पाथ-स्पेसिफिक इफेक्ट्स (IPSE): एक विशिष्ट मध्यस्थ $M_s$ के लिए, उन परिणामों की तुलना करता है जहाँ $M_s$ को $A=1$ (या $A=0$ ) द्वारा प्रेरित वितरण पर सेट किया जाता है, जबकि अन्य मध्यस्थ $A=0$ (या $A=1$ ) द्वारा प्रेरित वितरण का पालन करते हैं।

इन एस्टिमेंड्स को विभिन्न फंजनेल्स $\Psi$ का उपयोग करके स्थापित किया जा सकता है, जिनमें शामिल हैं:

कॉन्ट्रास्ट-टाइप (Contrast-type): माध्य, क्वांटाइल्स (quantiles), या संभावनाओं (जैसे, exceedance probabilities) में अंतर।
डिस्ट्रीब्यूशनल डिफरेंस (Distributional difference): वितरणों के बीच वैश्विक विसंगतियों को मापने के लिए एनर्जी डिस्टेंस (ED) या वासरस्टीन डिस्टेंस (Wasserstein distance) जैसे मेट्रिक्स।

2.2. आइडेंटिफिकेशन (Identification)

मानक मान्यताओं (Consistency, Positivity, और Sequential Ignorability) के तहत, यह शोध पत्र स्थापित करता है कि इंटरवेंशनल आउटकम डिस्ट्रीब्यूशन अवलोकन संबंधी डेटा (observational data) से पहचाने जाने योग्य (identifiable) हैं। आइडेंटिफिकेशन फॉर्मूला इंटरवेंशनल डिस्ट्रीब्यूशन को अवलोकन योग्य कंडीशनल डिस्ट्रीब्यूशन के इंटीग्रल के रूप में व्यक्त करता है:
$P_{Y_a \tilde{M}_{a'}} | Z=z = \int P_{Y|A=a, M=m, Z=z} P_{M|A=a', Z=z} (dm)$
यह अनुमान लगाने की समस्या को मध्यस्थों और परिणामों के कंडीशनल लॉ (conditional laws) सीखने में बदल देता है।

2.3. जेनेरेटिव मॉडलिंग पाइपलाइन (Generative Modeling Pipeline)

DCMA एक चार-चरणीय पाइपलाइन का उपयोग करता है:

डेटा प्रीप्रोसेसिंग: कोवेरिएट्स, मीडिएटर्स और आउटकम्स का मानकीकरण।
कंडीशनल जेनेरेटिव मॉडलिंग: DCMA के मूल में दो नॉइज़-ड्रिवन जनरेटरों को प्रशिक्षित करना शामिल है:
- एक मीडिएटर जनरेटर $f_M(A, Z, \epsilon_M)$ जो $P_{M|A,Z}$ का अनुमान लगाता है।
- एक आउटकम जनरेटर $f_Y(A, Z, M, \epsilon_Y)$ जो $P_{Y|A,M,Z}$ का अनुमान लगाता है।
  ये जनरेटर एक्सोजेनस नॉइज़ (exogenous noise) $\epsilon$ को वांछित कंडीशनल डिस्ट्रीब्यूशन का पालन करने वाले सैंपल्स में मैप करते हैं।
इंटरवेंशनल डिस्ट्रीब्यूशन जनरेशन: प्रशिक्षित जनरेटरों का उपयोग करके, फ्रेमवर्क मोंटे कार्लो फॉरवर्ड सिमुलेशन (Monte Carlo forward simulation) करता है। नॉइज़ वेरिएबल्स को पुन: सैंपल करके और उन्हें विशिष्ट उपचार और मीडिएटर असाइनमेंट (जैसा कि आइडेंटिफिकेशन फॉर्मूला द्वारा निर्देशित है) के तहत जनरेटरों में डालकर, यह विधि स्पष्ट लाइक्लीहुड स्पेसिफिकेशन के बिना इंटरवेंशनल आउटकम डिस्ट्रीब्यूशन का पुनर्निर्माण करती है।
कॉज़ल इफेक्ट्स एस्टिमेशन: सिम्युलेटेड मोंटे कार्लो ड्रॉज़ पर फंजनेल्स (जैसे, मीन, क्वांटाइल्स, ED) लागू करके डिस्ट्रीब्यूशनल एस्टिमेंड्स की गणना की जाती है।

2.4. ट्रेनिंग ऑब्जेक्टिव (Training Objective)

जनरेटर्स को एक कंडीशनल डिस्ट्रीब्यूशनल डिसक्रेपेंसी को कम करके प्रशिक्षित किया जाता है। लेखक एनर्जी स्कोर (ES) का उपयोग डिसक्रेपेंसी मेजर $D(P, Q)$ के रूप में करते हैं क्योंकि यह स्ट्रिक्टली प्रॉपर है और स्पष्ट डेंसिटी इवैल्यूएशन की आवश्यकता के बिना स्थिर मोंटे कार्लो कार्यान्वयन की अनुमति देता है। जनसंख्या उद्देश्य (population objective) जनरेटेड डिस्ट्रीब्यूशन और वास्तविक कंडीशनल डिस्ट्रीब्यूशन के बीच अपेक्षित ES को कम करना है।

3. सैद्धांतिक योगदान (Theoretical Contributions)

आइडेंटिफिकेशन रिजल्ट्स: शोध पत्र डिस्ट्रीब्यूशनल इंटरवेंशनल इफेक्ट्स के लिए आइडेंटिफिकेशन फॉर्मूला व्युत्पन्न करता है, जो उन्हें अवलोकन योग्य कंडीशनल डिस्ट्रीब्यूशन के रूप में व्यक्त करता है।
एरर एनालिसिस: लेखक विश्लेषणात्मक एरर बाउंड्स प्रदान करते हैं जो यह बताते हैं कि सीखे गए कंडीशनल मॉडल्स में अनुमान त्रुटियां (estimation errors) पुनर्निर्मित इंटरवेंशनल डिस्ट्रीब्यूशनों तक कैसे प्रसारित होती हैं।
- एनर्जी डिस्टेंस और रिप्रोड्यूसिंग कर्नेल हिलबर्ट स्पेस (RKHS) रिप्रेजेंटेशन का उपयोग करते हुए, वे दिखाते हैं कि कुल त्रुटि मीडिएटर एस्टिमेशन एरर (आउटकम एम्बेडिंग के लिप्सचिट्ज़ कांस्टेंट द्वारा स्केल किया गया) और आउटकम मॉडल एप्रोक्सिमेशन एरर के योग द्वारा सीमित है।
- परिशिष्ट (appendix) में वासरस्टीन डिस्टेंस का उपयोग करते हुए एक पूरक विश्लेषण प्रदान किया गया है, जो मीडिएटर या आउटकम जनरेटर की धीमी दर द्वारा निर्धारित गैर-एसिम्प्टोटिक कन्वर्जेंस रेट्स को स्थापित करता है।

4. अनुभवजन्य परिणाम (Empirical Results)

संख्यात्मक प्रयोगों और एक वास्तविक दुनिया के अनुप्रयोग के माध्यम से DCMA की प्रभावशीलता को प्रदर्शित किया गया है।

4.1. सिमुलेशन स्टडीज (Simulation Studies)

परिदृश्य 1 (Bimodal Outcome): एक सिंगल मीडिएटर और बाइमॉडल आउटकम डिस्ट्रीब्यूशन वाले सेटिंग में, DCMA ने इंटरवेंशनल डिस्ट्रीब्यूशन को सटीक रूप से पुनर्निर्मित किया। महत्वपूर्ण रूप से, जबकि मीन-आधारित इंटेंशनल डायरेक्ट इफेक्ट (IDE) शून्य के करीब था, एनर्जी डिस्टेंस ने महत्वपूर्ण डिस्ट्रीब्यूशनल अंतर (यूनिमोडल बनाम बाइमॉडल संरचनाएं) प्रकट किया जिसे मीन-आधारित कंट्रास्ट मिस कर गए थे।
परिदृश्य 2 (Multiple Mediators): फ्रेमवर्क ने नॉन-लीनियर इंटरैक्शन के साथ पांच डिपेंडेंट मीडिएटर्स को सफलतापूर्वक संभाला। इसने सही ढंग से पहचाना कि किन मीडिएटर्स ने डिस्ट्रीब्यूशनल हेटेरोजेनिटी (क्वांटाइल-डिपेंडेंट इफेक्ट्स) में योगदान दिया और किन्होंने नहीं।
प्रदर्शन: दोनों एनर्जी स्कोर-आधारित (DCMA-ES) और वासरस्टीन जेनेरेटिव रिग्रेशन-आधारित (DCMA-WGR) कार्यान्वयनों ने डिस्ट्रीब्यूशनल स्ट्रक्चर को रिकवर करने में उच्च सटीकता प्राप्त की। DCMA-ES ने DCMA-WGR की तुलना में मीन-आधारित प्रभावों के अनुमान में बेहतर प्रदर्शन दिखाया।

4.2. वास्तविक दुनिया का अनुप्रयोग (UK Biobank)

फ्रेमवर्क का उपयोग बॉडी मास इंडेक्स ( $M_1$ ) और टोटल कोलेस्ट्रॉल ( $M_2$ ) द्वारा मीडिएटेड सिस्टोलिक ब्लड प्रेशर ( $Y$ ) पर स्मोकिंग स्टेटस ( $A$ ) के प्रभाव का विश्लेषण करने के लिए किया गया।

निष्कर्ष: विश्लेषण ने खुलासा किया कि BMI के माध्यम से पाथ-स्पेसिफिक प्रभाव सांख्यिकीय रूप से शून्य से अलग था, जिससे हाइपरटेंशन (SBP $\ge$ 140 mmHg) की संभावना 0.2% बढ़ गई।
डिस्ट्रीब्यूशनल इनसाइट: मीन इफेक्ट छोटा होने के बावजूद, एनर्जी डिस्टेंस विश्लेषण ने संकेत दिया कि स्मोकिंग का SBP के कुल वितरण (overall distribution) में सीमित बदलावों के साथ संबंध है, एक सूक्ष्मता जिसे डिस्ट्रीब्यूशनल फ्रेमवर्क द्वारा पकड़ा गया लेकिन जो केवल सारांश-आधारित विश्लेषणों में छिप सकती थी।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि DCMA डिस्ट्रीब्यूशनल कॉज़ल मीडिएशन एनालिसिस के लिए एक सिद्धांतिक रूप से सुदृढ़ जेनेरेटिव फ्रेमवर्क प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

माध्य से परे (Beyond Means): यह पूर्ण आउटकम डिस्ट्रीब्यूशन के स्तर पर मीडिएशन प्रभावों के अनुमान को सक्षम बनाता है, जिससे जटिल और हेटेरोजेनियस मैकेनिज्म का पता चलता है जिन्हें मीन-आधारित विश्लेषण नहीं देख पाते।
लचीलापन (Flexibility): नॉइज़-आधारित कंडीशनल जनरेटर्स का उपयोग करके, यह स्पष्ट लाइक्लीहुड स्पेसिफिकेशन और पैरामीट्रिक धारणाओं से बचता है, जिससे जटिल, मल्टीमॉडल और नॉन-लीनियर संबंधों को मॉडल करना संभव होता है।
सैद्धांतिक आधार (Theoretical Grounding): यह आइडेंटिफिकेशन रिजल्ट्स और विश्लेणात्मक एरर बाउंड्स प्रदान करता है जो एस्टिमेशन एरर्स के प्रसार को मापते हैं, जिससे पुनर्निर्मित इंटरवेंशनल डिस्ट्रीब्यूशनों के लिए एक सैद्धांतिक गारंटी मिलती है।
नीतिगत प्रासंगिकता (Policy Relevance): यह फ्रेमवर्क स्ट्रक्चरल कॉज़ल मॉडल्स और do-interventions के अनुरूप है, जो इसे इस प्रश्न का उत्तर देने के लिए उपयुक्त बनाता है कि मीडिएटर डिस्ट्रीब्यूशन को बदलने से आउटकम डिस्ट्रीब्यूशन पर क्या प्रभाव पड़ेगा।

लेखक नोट करते हैं कि हालांकि वैकल्पिक जेनेरेटिव मॉडल (जैसे, नॉर्मलाइजिंग फ्लो, डिफ्यूजन मॉडल) को शामिल किया जा सकता है, लेकिन उनका प्राथमिक योगदान विशेष रूप से डिस्ट्रीब्यूशनल कॉज़ल मीडिएशन के लिए एक कॉज़ली अलाइन्ड, सैद्धांतिक रूप से सुदृढ़ और कम्प्यूटेशनल रूप से स्थिर फ्रेमवर्क स्थापित करना है।