📊 statistics

The Causal Description Gap: Information-Theoretic Separations Across Pearl's Hierarchy

यह शोध पत्र यह प्रदर्शित करके पर्ल के कारणत्मक पदानुक्रम स्तरों (causal hierarchy levels) के बीच सूचना-सैद्धांतिक अंतराल को परिमाणित करता है कि उच्च-चरण वाले कारणत्मक उत्तरों (हस्तक्षेप और प्रतितथ्यात्मक/counterfactuals) को निर्दिष्ट करने के लिए निचले-चरण वाले उत्तरों (अवलोकन संबंधी डेटा) की तुलना में काफी अधिक बिट्स की आवश्यकता हो सकती है, जिसमें विशिष्ट संरचनात्मक कारणत्मक मॉडलों में हस्तक्षेपों के लिए द्विघातीय पृथक्करण (quadratic separations) और प्रतितथ्यात्मकों के लिए रैखिक पृथक्करण (linear separations) सिद्ध किए गए हैं।

मूल लेखक: Seyed Morteza Emadi

प्रकाशित 2026-05-05

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seyed Morteza Emadi

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 जटिल मशीन को समझने की कोशिश कर रहे हैं, जैसे कि एक विशाल, रहस्यमय क्लॉकवर्क खिलौना। आप इसे बाहर से देख सकते हैं, आप कुछ बटन दबा सकते हैं, और आप यह भी पूछ सकते हैं, "क्या होता यदि मैंने एक अलग बटन दबाया होता?"

यह शोध पत्र एक बहुत ही विशिष्ट प्रश्न पूछता है: यदि आप पहले से जानते हैं कि "क्या होता है?" के उत्तर जानते हैं, तो "क्या होता यदि?" वाले सवालों के जवाब देने के लिए आपको कितनी अतिरिक्त जानकारी की आवश्यकता है?

लेखक, जो सेयेद मोरतेज़ा एमादी (Seyed Morteza Emadi) के नेतृत्व में हैं, इस अंतर को मापने के लिए "बिट्स" (सूचना की बुनियादी इकाइयाँ) नामक एक अवधारणा का उपयोग करते हैं। उन्होंने पाया कि कुछ प्रकार की मशीनों के लिए, यह अंतर बहुत बड़ा है। यह जानना कि मशीन क्या करती है, इससे बहुत कुछ पता नहीं चलता कि वह ऐसा क्यों करती है, या किसी अलग परिदृश्य में वह क्या करती।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समझ के तीन स्तर (पर्ल की सीढ़ी - Pearl's Ladder)

यह शोध पत्र जूडिया पर्ल (Judea Pearl) के एक प्रसिद्ध विचार पर आधारित है कि कारण संबंधी तर्क (causal reasoning) के तीन पायदान हैं:

सीढ़ी 1 (अवलोकन/Observation): "मैं क्या देख रहा हूँ?" (जैसे, लाइट जल रही है।)
सीढ़ी 2 (हस्तक्षेप/Intervention): "अगर मैं X करता हूँ तो क्या होगा?" (जैसे, यदि मैं स्विच चालू करता हूँ, तो क्या लाइट जलती रहेगी?)
सीढ़ी 3 (प्रतितथ्यात्मक/Counterfactual): "क्या होता यदि मैंने Y किया होता?" (जैसे, यदि मैंने कल स्विच चालू किया होता, तो क्या आज लाइट जल रही होती?)

यह शोध पत्र सिद्ध करता है कि आप केवल सीढ़ी 1 को देखकर सीढ़ी 2 या 3 के उत्तर की गणना नहीं कर सकते। लेकिन कितनी अधिक जानकारी गायब है?

2. "छिपे हुए ब्लूप्रिंट" की उपमा (The "Hidden Blueprint" Analogy)

लेखकों ने परीक्षण करने के लिए तीन विशिष्ट प्रकार की "मशीनें" (गणितीय मॉडल) बनाईं। तीनों मामलों में, मशीन बाहर से बिल्कुल एक जैसी दिखती है (सीढ़ी 1)। यह एक ब्लैक बॉक्स को देखने जैसा है जो हमेशा रोशनी का एक ही पैटर्न आउटपुट देता है।

हालाँकि, बॉक्स के अंदर की वायरिंग अलग है। यह जानने के लिए कि वायरिंग कैसी है (जो सीढ़ी 2 और 3 के उत्तर निर्धारित करती है), आपको बहुत अधिक अतिरिक्त डेटा की आवश्यकता होती है।

मामला A: ट्री फैमिली (The "Family Tree" Analogy)

सेटअप: कल्पना कीजिए कि लोगों का एक समूह है जहाँ हर कोई अपने माता-पिता के व्यवहार की नकल करता है। यदि "मूल" व्यक्ति खुश है, तो सभी खुश हैं। यदि वे दुखी हैं, तो सभी दुखी हैं।
अवलोकन: बाहर से, आप बस देखते हैं कि सभी हमेशा एक साथ खुश या दुखी रहते हैं। आप यह नहीं बता सकते कि किसका माता-पिता कौन है।
अंतर (The Gap): परिवार के पेड़ (किसका माता-पिता कौन है) को समझने के लिए, आपको बटन दबाने (हस्तक्षेप) की आवश्यकता होती है। परिवार के आकार के साथ इसे समझने के लिए आवश्यक जानकारी बढ़ती जाती है। यह एक जंगल में रास्ता खोजने के लिए मानचित्र की आवश्यकता जैसा है। शोध पत्र दिखाता है कि यह अंतर लगभग $n \log n$ के रूप में बढ़ता है (जहाँ $n$ लोगों की संख्या है)।

मामला B: बाइपार्टाइट ग्राफ (The "Party Guest" Analogy)

सेटअप: कल्पना कीजिए कि एक पार्टी में दो समूह हैं, समूह A और समूह B। समूह A का हर व्यक्ति होस्ट (मेजबान) की नकल करता है। समूह B का हर व्यक्ति केवल तभी अपनी लाइट जलाता है जब समूह A में उनके विशिष्ट मित्र चालू हों।
अवलोकन: बाहर से, लाइट या तो पूरी तरह बंद होती है या पूरी तरह चालू। यह एक साधारण स्विच जैसा दिखता है।
अंतर: लेकिन अंदर, एक गुप्त "मित्रता मानचित्र" (friendship map) है जो समूह A को समूह B से जोड़ता है। ऐसे अरबों संभावित मित्रता मानचित्र हैं जो बाहर से एक जैसे दिखते हैं।
परिणाम: समूह A पर बटन दबाकर और यह देखकर कि समूह B में कौन प्रतिक्रिया देता है, सटीक मित्रता मानचित्र को समझने के लिए आपको बहुत अधिक अतिरिक्त जानकारी की आवश्यकता है। लेखकों ने पाया कि यहाँ आवश्यक अतिरिक्त जानकारी क्वाड्रेटिक (quadratic) ( $n^2$ $n^{2}$ ) है।
- उपमा: यदि आपके पास 100 लोग हैं, तो "ट्री" वाला अंतर एक 700 पन्नों की किताब पढ़ने जैसा हो सकता है। "पार्टी" वाला अंतर एक 10,000 पन्नों की किताब पढ़ने जैसा है। जैसे-जैसे सिस्टम बड़ा होता है, जटिलता विस्फोट की तरह बढ़ती है।

मामला C: मॉड्यूलर XOR (The "Secret Code" Analogy)

सेटअप: कल्पना कीजिए कि स्विचों की एक पंक्ति के जोड़े हैं। कुछ जोड़े इस तरह से जुड़े हैं कि वे हमेशा मेल खाते हैं; अन्य इस तरह से जुड़े हैं कि वे हमेशा विपरीत व्यवहार करते हैं।
अवलोकन और हस्तक्षेप: चाहे आप स्विचों को कैसे भी घुमाएं या परिणामों को देखें, जोड़े एक जैसे ही दिखते हैं। भले ही आप बटन दबाने के हर संभावित परिणाम को जानते हों, फिर भी आप अंतर नहीं बता सकते।
अंतर: गुप्त वायरिंग को जानने का एकमात्र तरीका एक "प्रतितथ्यात्मक" (Counterfactual) प्रश्न पूछना है: "यदि मैंने आंतरिक शोर (internal noise) को समान रखते हुए स्विच A को चालू किया होता, तो क्या होता?"
परिणाम: सभी बटन दबाने के परिणामों के पूर्ण ज्ञान के साथ भी, इस प्रतितथ्यात्मक पहेली को हल करने के लिए आपको अतिरिक्त जानकारी (लगभग $n$ बिट्स) की आवश्यकता होती है।

3. सीखने वालों के लिए "नो फ्री लंच" (The "No Free Lunch" for Learners)

यह शोध पत्र भविष्य की भविष्यवाणी करने के लिए AI या डेटा का उपयोग करने वाले किसी भी व्यक्ति के लिए एक महत्वपूर्ण बिंदु प्रस्तुत करता है: आप केवल "क्या हुआ" को देखकर "क्यों" को नहीं सीख सकते।

यदि आपके पास एक ऐसी मशीन है जहाँ छिपी हुई वायरिंग अरबों संभावनाओं में से किसी एक को याद से चुनी गई है, और आपको केवल इसे चलते हुए देखना मिलता है (अवलोकन संबंधी डेटा), तो आप वायरिंग को समझने में पूरी तरह अंधे हैं।

उपमा: कल्पना कीजिए कि अंतिम उत्पाद को चखकर केक की गुप्त रेसिपी का अनुमान लगाने की कोशिश करना। यदि दो अलग-अलग रेसिपी (एक चॉकलेट वाली और एक वनीला वाली) बिल्कुल एक जैसा स्वाद वाला केक बनाती हैं, तो कितना भी चखने के बाद भी आप कभी नहीं जान पाएंगे कि कौन सी रेसिपी इस्तेमाल की गई थी।
गणित: लेखक सिद्ध करते हैं कि यदि आपके पास केवल अवलोकन संबंधी डेटा है, तो सही "हस्तक्षेप संबंधी" (interventional) परिणाम का अनुमान लगाने की आपकी संभावना शून्य के बराबर है (जैसे एक अरब सिक्कों वाले कमरे में एक सिक्के का अनुमान लगाना)।

4. यह क्यों मायने रखता है (पेपर के संदर्भ में)

यह शोध पत्र सीधे तौर पर चिकित्सा उपचार या सेल्फ-ड्राइविंग कारों के बारे में बात नहीं करता है। इसके बजाय, यह सूचना की गणितीय सीमाओं पर ध्यान केंद्रित करता है।

यह "कारण अंतराल" (Causal Gap) को मापता है: इससे पहले, हम जानते थे कि अवलोकन और कारण के बीच एक अंतर है। अब हम जानते हैं कि वह अंतर बिट्स में वास्तव में कितना बड़ा है।
यह "ऑर्डर-ऑप्टिमैलिटी" (Order-Optimality) को सिद्ध करता है: उन्होंने दिखाया कि घने, जटिल सिस्टम के लिए, यह अंतर उतना बड़ा हो सकता है जितना कि संभव है (क्वाड्रेटिक)। आप इस जानकारी को और अधिक संकुचित (compress) नहीं कर सकते।
यह अति-आत्मविश्वास के प्रति चेतावनी देता है: यदि कोई AI मॉडल केवल अवलोकन संबंधी डेटा (अतीत में क्या हुआ) पर प्रशिक्षित है, तो उसमें जटिल प्रणालियों के लिए "क्या होगा यदि?" वाले सवालों के जवाब देने की क्षमता मौलिक रूप से नहीं है। यह AI की कोई खामी नहीं है; यह सूचना का एक नियम है।

सारांश

सोचिए कि ब्रह्मांड एक विशाल, छिपे हुए पहेली की तरह है।

अवलोकन (Observation) पहेली की पूरी तस्वीर को देखना है।
हस्तक्षेप (Intervention) एक टुकड़े को बाहर निकालना है यह देखने के लिए कि उसके नीचे क्या है।
प्रतितथ्यात्मक (Counterfactual) पूछना है, "क्या होता यदि मैंने एक अलग टुकड़ा निकाला होता?"

यह शोध पत्र सिद्ध करता है कि कई जटिल पहेलियों के लिए, तस्वीर को देखना (अवलोकन) आपको उसके नीचे के टुकड़ों के बारे में बहुत कम बताता है। तंत्र को समझने के लिए, आपको बहुत अधिक अतिरिक्त जानकारी की आवश्यकता होती—विशेष रूप से, इतनी मात्रा जो सिस्टम के आकार के वर्ग (square) के साथ बढ़ती है। आप केवल शो को देखकर छिपी हुई यांत्रिकी का पता नहीं लगा सकते; आपको स्क्रिप्ट को जानना ही होगा।

तकनीकी सारांश: कारणिक विवरण अंतराल (The Causal Description Gap)

समस्या विवरण (Problem Statement)

पर्ल का कारणिक पदानुक्रम (Pearl's causal hierarchy) यह स्थापित करता है कि प्रेक्षण संबंधी (observational), हस्तक्षेप संबंधी (interventional), और प्रतितथ्यात्मक (counterfactual) प्रश्न गुणात्मक रूप से भिन्न हैं। 'कारणिक पदानुक्रम प्रमेय' (Causal Hierarchy Theorem) यह सिद्ध करता है कि उच्च-स्तर के प्रश्नों का उत्तर सामान्यतः निम्न-स्तर की जानकारी से नहीं दिया जा सकता। हालाँकि, मौजूदा साहित्य इस गैर-पहचानने योग्य स्थिति (non-identifiability) को एक द्विआधारी बाधा (binary obstruction) के रूप में देखता है: या तो उच्च-स्तर का उत्तर निम्न-स्तर के डेटा से निर्धारित होता है, या वह निर्धारित नहीं होता।

यह शोध पत्र इस प्रश्न का एक मात्रात्मक संस्करण पूछता है: एक बार निम्न-स्तर के उत्तर ज्ञात हो जाने के बाद, उच्च-स्तर के कारणिक उत्तर को निर्दिष्ट करने के लिए कितने अतिरिक्त बिट्स (bits) की जानकारी आवश्यक है? लेखक इस "कारणिक विवरण अंतराल" (causal description gap) को मापने के लिए इसे औपचारिक रूपते हैं, जो अस्पष्टता को दूर करने के लिए आवश्यक अवशिष्ट सूचना (residual information) को मापता है।

कार्यप्रणाली (Methodology)

लेखक कारणिक उत्तर ओरेकल (answer oracles) की सूचना सामग्री को मापने के लिए कोलमोगोरोव जटिलता (Kolmogorov complexity) पर आधारित एक ढांचे का परिचय देते हैं।

क्वेरी-वर्ग विवरण लंबाई (Query-Class Description Length): एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) $M$ और एक क्वेरी क्लास $Q$ (जैसे, प्रेक्षण संबंधी, एकल-नोड हस्तक्षेप संबंधी, प्रतितथ्यात्मक) के लिए, विवरण लंबाई $DL(Q; M) $को सिस्टम आकार$ n $पर आधारित$ Ans_Q(M)$ की कोलमोगोरोव जटिलता के रूप में परिभाषित किया गया है।
कारणिक विवरण अंतराल (Causal Description Gap): निचली-स्तर के उत्तर के सापेक्ष उच्च-स्तर के उत्तर की सशर्त कोलमोगोरोव जटिलता को अंतराल $\Delta(Q_2 | Q_1; M)$ के रूप में दिया गया है:
$\Delta(Q_2 | Q_1; M) := K(Ans_{Q_2}(M) \mid Ans_{Q_1}(M), n)$
अस्पष्टता-से-बिट्स सिद्धांत (Ambiguity-to-Bits Principle): यह शोध पत्र 'अस्पष्टता सेट' के आकार और विवरण अंतराल के बीच संबंध स्थापित करने वाला एक सामान्य प्रमेय प्रस्तुत करता है। यदि एक निचला-स्तर का उत्तर $a$ , $N$ विशिष्ट उच्च-स्तर के उत्तर ओरेकल के साथ सुसंगत है, तो विवरण अंतराल कम से कम $\log_2 N$ (निम्न-क्रम के पदों को छोड़कर) होगा। यह दोनों वर्स्ट-केस (कोलमोगोरोव) और औसत-केस (शैनन एंट्रॉपी) सेटिंग्स में लागू होता है।

लेखक इन अंतरालों को प्रदर्शित करने के लिए विशिष्ट बाइनरी, अचक्रीय (acyclic) SCM परिवारों का निर्माण करते हैं, जिससे पता चलता है कि अंतराल सिस्टम आकार $n$ के साथ बहुपद (polynomial) रूप से बढ़ सकते हैं।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. प्रेक्षण संबंधी–हस्तक्षेप संबंधी पृथक्करण (Observational–Interventional Separations)

लेखक ऐसे SCM परिवार निर्मित करते हैं जहाँ प्रेक्षण संबंधी वितरण का विवरण लंबाई स्थिर ( $O(1)$ ) होती है, फिर भी हस्तक्षेप संबंधी उत्तर ओरेकल को काफी अधिक बिट्स की आवश्यकता होती है।

रूटेड-ट्री निर्माण ( $\Theta(n \log n)$ ):
- सेटअप: चर (variables) एक छिपे हुए रूटेड ट्री (rooted tree) का निर्माण करते हैं जहाँ रूट रैंडम होता है और बच्चे अपने माता-पिता की नकल करते हैं।
- परिणाम: सभी ट्री एक ही प्रेक्षण संबंधी वितरण (परफेक्ट कोरिलेशन) उत्पन्न करते हैं। हालाँकि, एकल-नोड हस्तक्षेप वंशज सेट (descendant sets) को प्रकट करते हैं, जिससे ट्री संरचना की विशिष्ट पहचान होती है।
- अंतराल: अंतराल $\Theta(n \log n)$ है, जो लेबल किए गए ट्री को एनकोड करने के लिए आवश्यक सूचना (Prüfer sequences के माध्यम से) से मेल खाता है। यह $d=O(1)$ वाले SCM के लिए ऑर्डर-ऑप्टिमल है।
बाइपार्टाइट-ग्राफ निर्माण ( $\Theta(n^2)$ ):
- सेटअप: लेयर्स $A$ और $B$ के बीच एक छिपा हुआ बाइपार्टाइट ग्राफ $G$ । लेयर $A$ रूट की नकल करती है; लेयर $B$ किनारों (edges) के आधार पर AND-गेट्स की गणना करती है।
- परिणाम: प्रेक्षण संबंधी रूप से, सभी ग्राफ एक ही वितरण (सभी 0 या सभी 1) प्रदान करते हैं। लेयर $A$ के नोड्स पर हस्तक्षेप करने से लेयर $B$ में उनके पड़ोसियों का पता चलता है, जो प्रभावी रूप से $G$ के एडजेसेंसी मैट्रिक्स को डिकोड करता है।
- अंतराल: अंतराल $\Theta(n^2)$ है (विशेष रूप से $\approx m^2$ जहाँ $n=2m+1$ )। यह घने तंत्र (dense mechanisms) के लिए ऑर्डर-ऑप्टिमल है जहाँ indegree $d = \Theta(n)$ है।
- मजबूती (Robustness): यह द्विघातीय (quadratic) पृथक्करण किसी भी निश्चित $\epsilon < 1/4$ के लिए $\epsilon$ -सटीक टोटल-वेरिएशन विवरणों के तहत भी बना रहता है।
डिग्री-संवेदनशील अनुकूलन (Degree-Sensitive Optimality):
लेखक सीमित-गेट-स्कीमा SCMs के लिए एक सामान्य ऊपरी सीमा सिद्ध करते हैं जिनका indegree $d$ है:
$\Delta_{2|1} \le O\left( nd \log \frac{en}{d} + n \log n \right)$
यह पुष्टि करता है कि $\Theta(n \log n)$ ट्री निर्माण बाउंडेड डिग्री के लिए, और $\Theta(n^2)$ बाइपार्टाइट निर्माण डेंस डिग्री के लिए ऑर्डर-ऑप्टिमल है।

2. प्रतितथ्यात्मक पृथक्करण (Counterfactual Separation)

सभी "हार्ड-डू" (hard-do) हस्तक्षेप संबंधी वितरणों (पूर्ण हस्तक्षेप संबंधी ओरेकल) के पूर्ण ज्ञान के साथ भी, प्रतितथ्यात्मक प्रश्न अस्पष्ट रह सकते हैं।

मॉड्यूलर-XOR निर्माण ( $\Theta(n)$ ):
- सेटअप: $m$ स्वतंत्र मॉड्यूल, जिनमें से प्रत्येक या तो एक "नो-इफेक्ट" तंत्र (स्वतंत्र चर) है या एक "XOR" तंत्र ( $Y = X \oplus U$ ) है।
- परिणाम: दोनों तंत्र समान प्रेक्षण संबंधी और हस्तक्षेप संबंधी वितरण उत्पन्न करते हैं। हालाँकि, वे प्रतितथ्यात्मक मामलों में भिन्न होते हैं: "नो-इफेक्ट" तंत्र के तहत, यदि $X$ पर हस्तक्षेप किया जाता है, तो $Y$ अपरिवर्तित रहता है; XOR के तहत, $Y$ बदल जाता है।
- अंतराल: पूर्ण हस्तक्षेप संबंधी ओरेकल और प्रतितथ्यात्मक ओरेकल के बीच का अंतराल $\Theta(n)$ है, जो तंत्र के प्रकार को निर्धारित करने वाले छिपे हुए स्ट्रिंग $s \in \{0,1\}^m$ के अनुरूप है।

3. शिक्षण-सैद्धांतिक परिणाम (Learning-Theoretic Consequences)

यह शोध पत्र प्रेक्षण संबंधी शिक्षण (observational learning) के लिए एक "नो-फ्री-लंच" परिणाम निकालता है। बाइपार्टाइट परिवार में, चूंकि सभी तंत्र एक ही प्रेक्षण संबंधी वितरण साझा करते हैं, इसलिए छिपे हुए ग्राफ और किसी भी प्रेक्षण संबंधी डेटासेट के बीच म्यूचुअल इंफॉर्मेशन शून्य है। फलस्वरूप:

कोई भी प्रेक्षण संबंधी शिक्षार्थी हस्तक्षेप संबंधी ओरेकल को रैंडम गेसिंग ( $2^{-m^2}$ ) से बेहतर सटीकता के साथ पहचान नहीं सकता।
केवल प्रेक्षण संबंधी डेटा पर आधारित कोई भी प्रेडिक्टर हस्तक्षेप संबंधी प्रश्नों के लिए कम से कम $1/4$ का अपेक्षित एब्सोल्यूट एरर (absolute error) दिखाएगा।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि यह पर्ल के गुणात्मक पदानुक्रम को एक मात्रात्मक सूचना पदानुक्रम (quantitative information hierarchy) में बदल देता है। इसका प्राथमिक महत्व निम्नलिखित है:

गैर-पहचानने योग्यता का परिशोधन (Refining Non-Identifiability): यह केवल इस Boolean प्रश्न से आगे बढ़ता है कि "क्या यह पहचानने योग्य है?" और एक सटीक माप प्रदान करता है कि "कितनी जानकारी गायब है?"
ऑर्डर-ऑप्टिमल बाउंड्स (Order-Optimal Bounds): यह स्पष्ट निर्माण प्रदान करता है जो दिखाते हैं कि सूचना अंतराल सिस्टम आकार के साथ द्विघातीय रूप से ( $\Theta(n^2)$ ) घने तंत्रों के लिए और रैखिक रूप से ( $\Theta(n)$ ) प्रतितथ्यात्मक प्रश्नों के लिए बढ़ सकता है, भले ही प्रेक्षण संबंधी डेटा पूर्ण हो।
सूचना-सैद्धांतिक सीमाएँ (Information-Theoretic Limits): यह प्रदर्शित करता है कि ये अंतराल कम्प्यूटेशनल हार्डनेस या सीमित डेटा के आर्टिफैक्ट नहीं हैं; ये मौलिक सूचना-सैद्धांतिक बाधाएं हैं। यहाँ तक कि अनंत प्रेक्षण संबंधी डेटा के साथ भी, अवशिष्ट अस्पष्टता बनी रहती है, जिसे दूर करने के लिए हस्तक्षेप (interventions) आवश्यक हैं।
सामान्य सिद्धांत (General Principle): "अस्पष्टता-से-बिट्स" (Ambiguity-to-Bits) प्रमेय इन परिणामों को एकीकृत करता है, यह दिखाते हुए कि विवरण अंतराल मौलिक रूप से अवशिष्ट अस्पष्टता सेट के आकार के लॉग (logarithm) के बराबर है।

लेखक नोट करते हैं कि उनके निर्माण प्रतिकूल (adversarial) हैं (बाइनरी, अचक्रीय, संभावित रूप से पोजिटिविटी या फेथफुलनेस का उल्लंघन करने वाले) ताकि यह दिखाया जा सके कि बिना अतिरिक्त संरचनात्मक धारणाओं के, केवल प्रेक्षण संबंधी पर्याप्तता (observational adequacy) कोई छोटा कारणिक-विवरण बाउंड लागू नहीं करती है। वे सुझाव देते हैं कि भविष्य के शोध को यह जांचना चाहिए कि स्पार्सिटी (sparsity), शोर (noise), या फेथफुलनेस (faithfulness) जैसी धारणाएं इन अवशिष्ट अस्पष्टताओं को कैसे कम कर सकती हैं।