🤖 machine learning

Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention

Mask2Cause एक एंड-टू-एंड डीप लर्निंग फ्रेमवर्क है जो टाइम सीरीज़ फोरकास्टिंग के दौरान सीधे कॉज़ल ग्राफ को रिकवर करने के लिए एडजसेंसी-कंस्ट्रेंड मास्क्ड अटेंशन और इनवर्टेड वेरिएबल एम्बेडिंग्स को एकीकृत करता है, जिससे मॉडल की जटिलता को काफी कम करते हुए स्टेट-ऑफ-द-आर्ट डिस्कवरी सटीकता प्राप्त होती है।

मूल लेखक: Omar Muhammad, Pasupuleti Dhruv Shivkant, Deepak N. Subramani

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Omar Muhammad, Pasupuleti Dhruv Shivkant, Deepak N. Subramani

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 Mask2Cause पेपर का सरल भाषा में अनुवाद दिया गया है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

बड़ी समस्या: "किसने क्या किया" का पता लगाना

कल्पना कीजिए कि आप एक अस्त-व्यस्त रसोई देख रहे हैं। बर्तन उबल रहे हैं, चाकू टकरा रहे हैं, और लोग चिल्ला रहे हैं। आपने देखा कि एक बर्तन उबलकर बाहर गिर गया, और तुरंत बाद किसी ने एक चम्मच गिरा दिया। क्या उबलते हुए बर्तन की वजह से चम्मच गिरा? या उस व्यक्ति ने शोर से घबराकर चम्मच गिरा दिया जिसे आप सुन नहीं पा रहे थे?

डेटा की दुनिया में (जैसे शेयर बाजार, मौसम के पैटर्न, या मस्तिष्क के संकेत), हजारों वेरिएबल्स (variables) एक साथ चलते हैं। पारंपरिक तरीके साधारण पैटर्न देखकर यह समझने की कोशिश करते हैं कि क्या चीज़ क्या कारण है। लेकिन वे अक्सर "नकली" संबंधों (spurious correlations) के कारण धोखा खा जाते हैं। उदाहरण के लिए, सिर्फ इसलिए कि जुलाई में आइसक्रीम की बिक्री और शार्क हमलों दोनों में वृद्धि होती है, इसका मतलब यह नहीं है कि आइसक्रीम शार्क हमलों का कारण है; असली कारण गर्मी है।

इस काम के लिए मौजूदा AI उपकरण ऐसे जासूसों की टीम की तरह हैं जहाँ हर जासूस एक समय में केवल एक संदिग्ध को देखता है। वे पूरी तस्वीर देखने में चूक जाते हैं, और वे शोर (noise) से अक्सर भ्रमित हो जाते हैं।

समाधान: Mask2Cause

लेखक Mask2Cause नामक एक नया AI फ्रेमवर्क प्रस्तावित करते हैं। इसे एक सुपर-इंटेलिजेंट जासूस के रूप में सोचें जो पूरी रसोई को एक साथ देखता है, लेकिन एक विशेष नियम के साथ: वे तभी यह अनुमान लगा सकते हैं कि एक चीज़ ने दूसरी चीज़ को प्रभावित किया है, यदि वे भविष्य की भविष्यवाणी करके इसे सिद्ध कर सकें।

यह कैसे काम करता है, इसे तीन सरल अवधारणाओं में विभाजित किया गया है:

1. "उल्टा" दृष्टिकोण (केवल हाथ नहीं, बल्कि पूरे व्यक्ति को देखना)

अधिकांश AI मॉडल समय के चरणों (time steps) को एक-एक करके देखते हैं। कल्पना कीजिए कि आप एक फिल्म को एक-एक फ्रेम करके देख रहे हैं।

पुराना तरीका: AI फ्रेम 1 को देखता है, फिर फ्रेम 2 को, फिर फ्रेम 3 को। वह भ्रमित हो जाता है कि किस व्यक्ति (variable) ने क्या किया।
Mask2Cause का तरीका: AI खेल बदल देता है। फ्रेम्स को देखने के बजाय, यह प्रत्येक व्यक्ति (variable) को एक एकल "टोकन" या पात्र के रूप में मानता है। यह व्यक्ति A के पूरे इतिहास को एक ब्लॉक के रूप में देखता है, व्यक्ति B के इतिहास को दूसरे ब्लॉक के रूप में, और इसी तरह।
उपमा: कल्पना कीजिए कि एक शिक्षक कक्षा का मूल्यांकन कर रहा है। हर छात्र के उत्तर को एक-एक करके देखने के बजाय, शिक्षक पूरी क्लास की उपस्थिति सूची को एक साथ देखता है ताकि यह देख सके कि कौन किसका अनुकरण कर रहा है। यह AI को यह समझने में मदद करता है कि एक वेरिएबल दूसरे को कैसे प्रभावित करता है, बिना समयरेखा (timeline) में खोए।

2. "ट्रैफिक लाइट" अटेंशन (द मास्क)

इस प्रणाली का मुख्य हिस्सा Adjacency-Constrained Masked Attention नामक एक तंत्र है।

उपमा: एक व्यस्त चौराहे की कल्पना करें जहाँ ट्रैफिक लाइट लगी है। एक सामान्य AI में, हर कार (variable) दूसरी हर कार को देख सकती है और प्रतिक्रिया दे सकती है, जिससे अराजकता पैदा होती है।
Mask2Cause: AI वेरिएबल्स के बीच अदृश्य ट्रैफिक लाइट (एक "मास्क") बनाता है।
- यदि लाइट हरी (Green) है, तो वेरिएबल A को वेरिएबल B पर "ध्यान देने" (pay attention) की अनुमति है। इसका मतलब है कि AI सोचता है कि A, B का कारण हो सकता है।
- यदि लाइट लाल (Red) है, तो वेरिएबल A को वेरिएबल B को देखने से सख्ती से रोका जाता है। कनेक्शन काट दिया जाता है।
जादू: AI भविष्य की भविष्यवाणी करने की कोशिश करते दौरान इन लाइटों को चालू और बंद करना सीखता है। यदि लाइट को "लाल" करने से भविष्यवाणी खराब होती है, तो AI जानता है कि वह कनेक्शन महत्वपूर्ण है और उसे "हरा" रखता है। यदि उसे "लाल" करने से कोई फर्क नहीं पड़ता, तो AI सिस्टम को सरल रखने के लिए उसे "लाल" ही छोड़ देता है।

3. "कंपन" को देखना (विचरण बनाम औसत - Variance vs. Mean)

अधिकांश पिछले उपकरण केवल औसत (average) व्यवहार को देखते हैं।

उपमा: शेयर बाजार की कल्पना करें। पुराने उपकरण केवल पूछते हैं: "क्या कीमत बढ़ी?" यदि कीमत स्थिर रही, तो उन्होंने कहा: "कोई बदलाव नहीं, कोई कारण नहीं।"
Mask2Cause: यह टूल दो प्रश्न पूछता है:
1. क्या कीमत बढ़ी? (Mean/औसत)
2. क्या कीमत कांपने लगी या अस्थिर हो गई? (Variance/विचरण)
यह क्यों मायने रखता है: कभी-कभी, एक चीज़ दूसरी चीज़ की दिशा नहीं बदलती, लेकिन वह उसे अस्थिर बना देती है। उदाहरण के लिए, एक अफवाह कीमत की दिशा नहीं बदल सकती, लेकिन यह कीमत को ऊपर-नीचे बहुत अधिक उछाल सकती है। Mask2Cause इस "अस्थिरता" (volatility) को एक कारण के रूप में पहचान सकता है, जिसे पुराने उपकरण पूरी तरह से मिस कर देते हैं।

उन्होंने क्या पाया?

लेखकों ने कई अलग-अलग "रसोइयों" (datasets) पर इसका परीक्षण किया:

सिंथेटिक अराजकता (Synthetic Chaos): उन्होंने नकली अराजक प्रणालियाँ (जैसे मौसम मॉडल) बनाईं जहाँ वे सटीक कारण-और-प्रभाव जानते थे। Mask2Cause ने लगभग पूरी तरह से सच्चाई ढूंढ ली, और अन्य सभी तरीकों को पीछे छोड़ दिया।
वास्तविक दुनिया का डेटा: उन्होंने ट्रैफिक फ्लो, वायु गुणवत्ता और मेडिकल डेटा पर इसका परीक्षण किया। इसने वर्तमान अत्याधुनिक (state-of-the-art) उपकरणों से बेहतर प्रदर्शन किया।
"वोलैटिलिटी" टेस्ट: उन्होंने एक विशिष्ट परीक्षण बनाया जहाँ कारण केवल "कांपने" (variance) के रूप में दिखाई देते थे, न कि "चलने" (mean) के रूप में। केवल Mask2Cause (अपने विशेष विचरण-पहचान मोड का उपयोग करके) इन छिपे हुए कारणों को खोज सका।

बोनस: एक हल्का मशीन (A Leaner Machine)

पेपर एक और शानदार प्रभाव भी दिखाता है। एक बार जब Mask2Cause वास्तविक कारण मानचित्र (causal map) समझ लेता है (कि वास्तव में कौन किसे प्रभावित करता है), तो आप उस मानचित्र का उपयोग करके एक बहुत छोटा, तेज़ भविष्यवाणी मॉडल बना सकते हैं।

परिणाम: वे बिना सटीकता खोए, पूर्वानुमान मॉडलों के पैरामीटर्स (यानी "मस्तिष्क का आकार") को औसतन 70% से अधिक कम करने में सक्षम रहे।
उपमा: यदि आप जानते हैं कि केक को फुलाने के लिए वास्तव में किन सामग्रियों की आवश्यकता है, तो आपको बेक करने के लिए अपने साथ पूरी किराने की दुकान ले जाने की आवश्यकता नहीं है। आपको बस आटा, अंडे और चीनी ले जाने की आवश्यकता है। Mask2Cause बताता है कि आपको वास्तव में क्या साथ रखना है।

सारांश

Mask2Cause टाइम-सीरीज डेटा में कारण-और-प्रभाव सीखने का एक नया तरीका है। यह वेरिएबल्स को पूर्ण पात्रों के रूप में मानता है, नकली कनेक्शन को रोकने के लिए "ट्रैफिक लाइट" प्रणाली का उपयोग करता है, और दिशा के परिवर्तनों के साथ-साथ स्थिरता के परिवर्तनों को भी देखता है। यह तेज़ है, अधिक सटीक है, और उन छिपे हुए कारणों को खोज सकता है जिन्हें अन्य उपकरण मिस कर देते हैं, जबकि हमें छोटे और अधिक कुशल भविष्यवाणी मॉडल बनाने में मदद करता है।

तकनीकी सारांश: Mask2Cause

समस्या विवरण (Problem Statement)

मल्टीवेरिएबल टाइम-सीरीज डेटा में कॉज़ल डिस्कवरी (Causal discovery) डीप लर्निंग के लिए एक महत्वपूर्ण चुनौती बनी हुई है। मौजूदा न्यूरल विधियाँ दो प्राथमिक सीमाओं से ग्रस्त हैं:

स्केलेबिलिटी और रेडंडेंसी (Scalability and Redundancy): कंपोनेंट-वाइज आर्किटेक्चर (प्रत्येक टारगेट वेरिएबल के लिए एक अलग नेटवर्क प्रशिक्षित करना) साझा सिस्टम डायनेमिक्स को पकड़ने में विफल रहता है और जैसे-जैसे डाइमेंशनलिटी बढ़ती है, यह स्केलेबिलिटी में पिछड़ जाता है।
डिकपल्ड इन्फरेंस (Decoupled Inference): कई अत्याधुनिक दृष्टिकोण पोस्ट-हॉक ग्राफ एक्सट्रैक्शन (post-hoc graph extraction) पर निर्भर करते हैं। यह रिप्रेजेंटेशन लर्निंग को ग्राफ एक्सट्रैक्शन से अलग कर देता है, जिससे मॉडल अनियंत्रित प्रेडिक्शन के लिए ऑप्टिमाइज़ होता है न कि कॉज़ल स्ट्रक्चर की अखंडता के लिए, जो स्प्यूरियस कोरिलेशन (spurious correlations) के ओवरफिटिंग का जोखिम पैदा करता है।
कॉज़लिटी का सीमित दायरा (Limited Scope of Causality): मानक मॉडल आमतौर पर एडिटिव नॉइज़ (additive noise) को मानते हैं, जो डिस्कवरी को केवल "कॉज़लिटी इन मीन" (कंडीशनल एक्सपेक्टेशन में बदलाव) तक सीमित कर देते हैं। वे हेटरोसेडेस्टिक इंटरैक्शन (heteroscedastic interactions) को पकड़ने में विफल रहते हैं जहाँ एक सोर्स टारगेट के वेरिएंस (variance) या स्थिरता को मॉड्युलेट करता है (जैसे फाइनेंस में वोलैटिलिटी स्पिलओवर या न्यूरोसाइंस में सिंक्रोनाइज़ेशन स्ट्रेंथ) बिना मीन को बदले।

कार्यप्रणाली: Mask2Cause (Methodology: Mask2Cause)

लेखक Mask2Cause का प्रस्ताव करते हैं, जो एक एंड-टू-एंड फ्रेमवर्क है जो फोरकास्टिंग फॉरवर्ड पास के दौरान सीधे अंतर्निहित ग्रेंजर-कॉज़ल ग्राफ (Granger-causal graph) को रिकवर करता है। यह आर्किटेक्चर ट्रांसफॉर्मर्स की स्केलेबिलिटी को डायरेक्टेड इंफॉर्मेशन ग्राफ्स (DIG) के संरचनात्मक सिद्धांतों के साथ एकीकृत करता है।

मुख्य आर्किटेक्चरल घटक (Core Architectural Components)

इनवर्टेड वेरिएबल एम्बेडिंग (Inverted Variable Embedding):
स्टैंडर्ड ट्रांसफॉर्मर्स के विपरीत जो टाइम स्टेप्स को टोकन्स के रूप में देखते हैं, Mask2Cause एक सिंगल वेरिएबल के हिस्ट्री विंडो को एटॉमिक यूनिट के रूप में मानता है। यह "इनवर्टेड" टोकनाइजेशन प्रत्येक वेरिएबल के इतिहास को एक हाई-डायमेंशनल लेटेंट टोकन में मैप करता है, जो वेरिएबल्स के बीच फीचर्स के उलझाव (entanglement) को रोकता है और वेरिएबल $j$ का वेरिएबल $i$ पर प्रभाव को आइसोलेट करता है।
एडजसेंसी-कंस्ट्रेंड मास्कड अटेंशन (Adjacency-Constrained Masked Attention):
मुख्य नवाचार एक संशोधित सेल्फ-अटेंशन मैकेनिज्म है जो एक लर्नबल, कंटीन्यूअस एडजसेंसी मैट्रिक्स $\hat{A} \in [0, 1]^{N \times N}$ द्वारा बाधित है।

ग्लोबल कंस्ट्रेंट: एक सिंगल एडजसेंसी मैट्रिक्स सभी एनकोडर लेयर्स और अटेंशन हेड्स के बीच साझा किया जाता है, जो एक यूनिफाइड ग्लोबल कॉज़ल ग्राफ सुनिश्चित करता है।
लॉग-बैरियर मास्किंग (Log-Barrier Masking): एडजसेंसी मैट्रिक्स को अटेंशन स्कोर्स में एक लॉगरिदमिक मास्क के रूप में इंजेक्ट किया जाता है: $Score_{ij} = \frac{q_i k_j^\top}{\sqrt{d_k}} + \log(\hat{A}_{ij} + \delta)$ ।
मैकेनिज्म: यदि $\hat{A}_{ij} \approx 0$ , तो लॉग टर्म $-\infty$ की ओर जाता है, जिससे सॉफ्टमैक्स प्रोबेबिलिटी शून्य हो जाती है और प्रभावी रूप से कनेक्शन को काट देती है। यदि $\hat{A}_{ij} \approx 1$ , तो मैकेनिज्म सामान्य रूप से कार्य करता है। यह सुनिश्चित करता है कि सूचना का आदान-प्रदान केवल सीखे गए कॉज़ल पेरेंट्स के माध्यम से ही हो।

प्रेडिक्शन और ऑप्टिमाइजेशन (Prediction and Optimization):
मॉडल ऐतिहासिक विंडोज $x_{<t}$ से अगले-स्टेप स्टेट $x_{t+1}$ की भविष्यवाणी करता है। यह दो कॉन्फ़िगरेशन का समर्थन करता है:

होमोसेडेस्टिक (मीन-ओनली): एडिटिव नॉइज़ वाले सिस्टम के लिए MSE का उपयोग करता है।
हेटेरोसेडेस्टिक (वेरिएंस-अवेयर): एक कंडीशनल गॉसियन डिस्ट्रीब्यूशन $N(\mu, \sigma^2)$ के लिए नेगेटिव लॉग-लाइक्लीहुड (NLL) का उपयोग करता है। यह मॉडल को टाइम-वेरिंग वेरिएंस सीखने की अनुमति देता है, जिससे "कॉज़लिटी इन वेरिएंस" (जैसे वोलैटिलिटी ड्राइवर्स) को कैप्चर किया जा सके।
जॉइंट ऑब्जेक्टिव: फोरकास्टिंग लॉस को $\hat{A}$ के ऑफ-डायगोनल एलिमेंट्स पर $L_1$ स्पैरसिटी पेनल्टी के साथ संयुक्त रूप से मिनिमाइज़ किया जाता है ताकि एक स्पार्स और इंटरप्रिटेबल ग्राफ को प्रोत्साहित किया जा सके।

सैद्धांतिक प्रेरणा (Theoretical Motivation)

यह दृष्टिकोण डायरेक्टेड इंफॉर्मेशन ग्राफ (DIG) फ्रेमवर्क पर आधारित है। लेखक प्रदर्शित करते हैं कि एडिटिव नॉइज़ वाले सिस्टम के लिए, न्यूरल ग्रेंजर कॉज़लिटी (फंक्शनल इनवेरिएंस) DIG का एक विशेष मामला है। हालांकि, हेटरोसेडेस्टिक सिस्टम के लिए, NLL लॉस को मिनिमाइज़ करना गणितीय रूप से कॉज़ली कंडिश्न्ड डायरेक्टेड इंफॉर्मेशन को मैक्सिमाइज़ करने के समान है, जिससे मॉडल हायर-ऑर्डर मोमेंट्स (वेरिएंस) में डिपेंडेंसी को डिटेक्ट कर सकता है, जिसे मीन-केंद्रित विधियाँ मिस कर देती हैं।

मुख्य योगदान (Key Contributions)

स्केलेबल शेयर्ड-वेट आर्किटेक्चर: इनवर्टेड वेरिएबल एम्बेडिंग और ग्लोबल एडजसेंसी कंस्ट्रेंट का उपयोग करके, Mask2Cause एक सिंगल फॉरवर्ड पास में सभी इंटर-वेरिएबल इंटरैक्शन को कंप्यूट करता है, जिससे कंपोनेंट-वाइज मॉडल्स की कम्प्यूटेशनल बाधाओं से बचा जा सकता है।
एंड-टू-एंड कॉज़ल इंटीग्रेशन: कॉज़ल स्ट्रक्चर को डिफरिएबल मास्किंग के माध्यम से सीधे फॉरवर्ड पास में एकीकृत किया गया है, जो मॉडल को प्रेडिक्शन के साथ स्ट्रक्चरल इंटीग्रिटी के लिए ऑप्टिमाइज़ करके स्प्यूरियस कोरिलेशन के ओवरफिटिंग को रोकता है।
हेटेरोसेडेस्टिक इन्फरेंस: फ्रेमवर्क होमोसेडेस्टिक और हेटरोसेडेस्टिक दोनों उद्देश्यों का समर्थन करता है, जो सफलतापूर्वक "कॉज़लिटी इन वेरिएंस" (वोलैटिलिटी ड्राइवर्स) को पहचानता है, जो स्टैंडर्ड MSE-आधारित बेसलाइन्स के लिए अदृश्य होते हैं।
कॉज़ल प्रूनिंग: लेखक प्रदर्शित करते हैं कि खोजे गए कॉज़ल ग्राफ का उपयोग फोरकास्टिंग मॉडल्स को प्रून (छंटनी) करने के लिए किया जा सकता है, जिससे प्रेडिक्टिव एक्यूरेसी बनाए रखते हुए पैरामीटर काउंट को औसतन 70% से अधिक कम किया जा सकता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिंथेटिक केओटिक डायनेमिक्स से लेकर वास्तविक जैविक सिमुलेशन तक विविध बेंचमार्क्स पर Mask2Cause का मूल्यांकन किया।

स्टैंडर्ड बेंचमार्क्स (VAR, Lorenz-96, CausalTime): Mask2Cause ने लीनियर और नॉन-लीनियर सिस्टम पर स्टेट-ऑफ-द-आर्ट प्रदर्शन (लगed-परफेक्ट AUROC) प्राप्त किया, और लगातार cMLP, CUTS+, और CausalFormer जैसे बेसलाइन्स को पछाड़ दिया।
हेटेरोसेडेस्टिक बेंचमार्क्स (Mixed Physics): "मिक्सड फिजिक्स" डेटासेट पर, जिसमें वेरिएंस द्वारा संचालित एज शामिल थे, Mask2Cause (NLL वेरिएंट) ने मीन-फोकस्ड बेसलाइन्स और अपने स्वयं के MSE वेरिएंट को काफी पीछे छोड़ दिया, और उन कॉज़ल स्ट्रक्चर को रिकवर किया जो अन्यथा अनडिटेक्टेबल थे।
रियल-वर्ल्ड प्रॉक्सी: मॉडल ने DREAM3 जीन रेगुलेटरी नेटवर्क और CausalTime डेटासेट्स (ट्रैफिक, AQI, मेडिकल) पर बेहतर परिणाम प्राप्त किए।
एफिशिएंसी: Mask2Cause ने सीक्वेंस लेंथ के साथ लीनियर स्केलिंग और बेसलाइन्स की तुलना में अनुकूल स्केलिंग कोएफिशिएंट्स प्रदर्शित किए।
प्रूनिंग एफिकेसी: इनफर्ड कॉज़ल ग्राफ का उपयोग करके इनपुट फीचर्स को सीमित करने (Causal Pruning) से प्रेडिक्टिव प्रिसिजन पर न्यूनतम प्रभाव के साथ मॉडल पैरामीटर्स को >70% कम कर दिया गया, और कई मामलों में (जैसे DREAM3, Lorenz) स्प्यूरियस कोरिलेशन को हटाकर वास्तव में सटीकता में सुधार किया।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि Mask2Cause स्केलेबिलिटी को स्ट्रक्चरल इंटीग्रिटी के साथ एकीकृत करके एक महत्वपूर्ण कदम है। कंपोनेंट-वाइज ट्रेनिंग और पोस्ट-हॉक विश्लेषण से दूर हटकर, यह हाई-डायमेंशनल कॉज़ल डिस्कवरी के लिए एक मजबूत, एंड-टू-एंड समाधान प्रदान करता है।

महत्वपूर्ण रूप से, लेखक हेटेरोसेडेस्टिक कॉज़लिटी का पता लगाने की क्षमता पर जोर देते हैं, जो एक महत्वपूर्ण अंतर को संबोधित करता है जहाँ वोलैटिलिटी स्पिलओवर और स्टेबिलिटी मॉड्यूलेशन आम हैं लेकिन पहले स्टैंडर्ड न्यूरल कॉज़ल डिस्कवरी विधियों द्वारा अनडिटेक्टेबल थे। इसके अलावा, यह कार्य प्रदर्शित करता है कि कॉज़ल डिस्कवरी केवल एक एनालिटिकल टूल नहीं है बल्कि एक व्यावहारिक तंत्र है जो मॉडल कम्प्रेशन को सक्षम बनाता है, जिससे प्रदर्शन से समझौता किए बिना अत्यधिक कुशल फोरकास्टिंग मॉडल बनाना संभव होता है।

लेखक अपनी सीमाओं के संबंध में विनम्रता बनाए रखते हैं, यह नोट करते हुए कि फ्रेमवर्क कॉज़ल सफिशिएंसी (कोई छिपा हुआ कन्फाउंडर नहीं) और मूल्यांकन क्षितिज (evaluation horizon) पर एक स्टैटिक कॉज़ल ग्राफ मानता है। वे यह भी स्वीकार करते हैं कि गॉसियन NLL धारणा हेवी-टेल्ड डेटा के साथ संघर्ष कर सकती है, हालांकि इसे लाइकलीहुड फंक्शन को बदलकर कम किया जा सकता है।