📊 statistics

Debiased Counterfactual Generation via Flow Matching from Observations

यह शोधपत्र ऑब्जर्वेशनल (observational) और काउंटरफैक्चुअल (counterfactual) डेटा के बीच सांख्यिकीय संबंध का लाभ उठाकर फ्लो मैचिंग (flow matching) के माध्यम से एक डीकॉन्फाउंडिंग फ्लो (deconfounding flow) सीखने हेतु काउंटरफैक्चुअल वितरणों का अनुमान लगाने के लिए एक नवीन विधि प्रस्तावित करता है, जिसके परिणामस्वरूप एक सेमीपैरामेट्रिक रूप से कुशल एस्टिमेटर (semiparametrically efficient estimator) प्राप्त होता है जो उच्च-आयामी सेटिंग्स में मौजूदा दृष्टिकोणों से बेहतर प्रदर्शन करता है।

मूल लेखक: Hugh Dance, Johnny Xi, Peter Orbanz, Benjamin Bloem-Reddy

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hugh Dance, Johnny Xi, Peter Orbanz, Benjamin Bloem-Reddy

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 शेफ हैं जो एक प्रसिद्ध व्यंजन को फिर से बनाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल उस रेसिपी का संस्करण उपलब्ध है जिसे एक बहुत ही नखरेबाज शेफ द्वारा बनाया गया था, जो हमेशा ग्राहक के लाल टोपी पहनने पर अतिरिक्त नमक डाल देता है। आप यह जानना चाहते हैं कि वह व्यंजन कैसा स्वाद देगा यदि रेस्तरां में टोपी के रंग की परवाह किए बिना हर किसी को परोसा जाता।

यह उस समस्या का मूल है जिसे यह शोध पत्र हल करता है: काउंटरफैक्चुअल जनरेशन (Counterfactual Generation)। डेटा साइंस में, इसका अर्थ है यह पूछना, "क्या होगा यदि हम एक विशिष्ट नियम (जैसे कि एक उपचार या नीति) को सभी के लिए बदल दें, न कि केवल उन लोगों के लिए जिन्हें यह मिला था?"

यहाँ इस पेपर के विचारों का एक सरल विवरण दिया गया है, जिसमें गणित और विधियों को समझाने के लिए उपमाओं का उपयोग किया गया है।

1. समस्या: "खराब प्रति" बनाम "असली चीज़"

आमतौर पर, जब वैज्ञानिक एक "क्या-होता-यदि" परिदृश्य (काउंटरफैक्चरल) का अनुकरण करना चाहते हैं, तो वे इन काल्पनिक परिणामों को उत्पन्न करने के लिए शुरू से एक नया मॉडल बनाने की कोशिश करते हैं। यह किसी ऐसे व्यक्ति का सटीक चित्र बनाने की कोशिश करने जैसा है जिसे आपने कभी नहीं देखा, केवल उनके चश्मा पहने हुए एक धुंधली फोटो का उपयोग करके।

यह पेपर तर्क देता है कि यह अक्षम है और अक्सर त्रुटियों का कारण बनता है। यदि आप पूरी तस्वीर को शुरू से पेंट करने की कोशिश करते हैं, तो आप बैकग्राउंड, लाइटिंग या व्यक्ति के चेहरे को बिगाड़ सकते हैं क्योंकि आपके पास कोई अच्छा संदर्भ नहीं है।

2. अंतर्दृष्टि: वे चचेरे भाई हैं, अजनबी नहीं

लेखकों ने कुछ आश्चर्यजनक खोजा: हमारे पास मौजूद "वास्तविक" डेटा (लाल टोपी पहने लोग) और "काल्पनिक" डेटा (टोपी के रंग की परवाह किए बिना लोग) वास्तव में बहुत समान हैं।

समान आकार: वे एक ही पड़ोस में रहते हैं (समान सपोर्ट)।
समान चरम सीमाएँ: यदि वास्तविक डेटा में कुछ बहुत मसालेदार व्यंजन (हेवी टेल्स) हैं, तो काल्पनिक डेटा में भी होंगे।
साझा विशेषताएँ: यदि व्यक्ति के चेहरे का आकार टोपी के आधार पर नहीं बदलता है, तो वह विशेषता दोनों संस्करणों में समान रहती है।

चूंकि वे इतने समान हैं, इसलिए आपको पूरा पोर्ट्रेट शुरू से पेंट करने की आवश्यकता नहीं है। आपको बस मौजूदा फोटो को एडिट (संपादित) करने की आवश्यकता है। आपको केवल "लाल टोपी के पूर्वाग्रह" (नमक) को हटाने की आवश्यकता है और बाकी छवि को वैसा ही छोड़ने की आवश्यकता है।

3. समाधान: "डीकॉन्फाउंडिंग फ्लो" (Deconfounding Flow)

पेपर में प्रस्तावित विधि को डीकॉन्फाउंडिंग फ्लो मैचिंग (Deconfounding Flow Matching) कहा जाता है।

डेटा को एक नदी के रूप में सोचें।

स्रोत नदी (Source River): यह आपका अवलोकनात्मक डेटा (बायस्ड, नमकीन सूप) है।
लक्ष्य नदी (Target River): यह आपका काउंटरफैक्चरल डेटा (अनबायस्ड, परफेक्ट सूप) है।

पुराने तरीकों ने एक सूखे तालाब (एक रैंडम नॉइज़ डिस्ट्रीब्यूशन) से एक नई नदी बनाने की कोशिश की। लेखक कहते हैं: "क्यों न स्रोत नदी को लक्ष्य नदी से जोड़ने वाला एक नहर बनाएँ?"

वे एक फ्लो (प्रवाह) (एक गणितीय धारा) बनाते हैं जो बायस्ड डेटा को अनबायस्ड डेटा की ओर धीरे से धकेलता है। चूंकि दोनों नदियाँ करीबी पड़ोसी हैं, इसलिए नहर छोटी और आसान है। मॉडल को केवल पूर्वाग्रह को ठीक करने के लिए आवश्यक एडिट्स (संशोधनों) को सीखने की आवश्यकता होती है, न कि शून्य से पूरी इमेज को जेनरेट करने के लिए सीखने की।

4. सीक्रेट सॉस: "डबल-चेक"

सांख्यिकी (Statistics) में, जब आप किसी चीज़ का अनुमान लगाने के लिए एक मॉडल का उपयोग करते हैं, तो आप अक्सर अपनी स्वयं की त्रुटियाँ (बायस) भी शामिल कर देते हैं। इसे ठीक करने के लिए, लेखक डीबायस्ड एस्टिमेशन (Debiased Estimation) नामक तकनीक का उपयोग करते हैं।

कल्पना कीजिए कि आप भीड़ की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आपका स्केल थोड़ा मुड़ा हुआ है।

पुराना तरीका: आप सबको मापते हैं और उम्मीद करते हैं कि स्केल का झुकाव खुद को संतुलित कर लेगा (ऐसा आमतौर पर नहीं होता है)।
इस पेपर का तरीका: वे एक "डबल-चेक" सिस्टम का उपयोग करते हैं। वे पूर्वाग्रह का अनुमान लगाने के लिए एक उपकरण का उपयोग करते हैं और उसे ठीक करने के लिए दूसरे का। यदि दोनों में से कोई भी उपकरण सटीक है, तो अंतिम परिणाम सटीक होगा। इसे डबल रोबस्टनेस (Double Robustness) कहा जाता है। यह दो स्वतंत्र गवाहों की तरह है; यदि एक झूठ बोल रहा है, तो दूसरा अभी भी सच बता सकता है।

5. "मिनिमल एनर्जी" शॉर्टकट

हाई-डायमेंशनल डेटा (जैसे जटिल छवियां) में, एक डिस्ट्रीब्यूशन से दूसरे तक जाना अव्यवस्थित हो सकता है। लेखकों ने पाया कि सबसे कुशल पथ (वह जिसमें सबसे कम "ऊर्जा" या प्रयास की आवश्यकता होती है) अक्सर एक सीधी रेखा या एक बहुत ही सरल वक्र होता है।

इस "मिनिमल एनर्जी" पथ को लक्षित करके, उनकी विधि उन घुमावों और मोड़ों से बचती है जो अन्य AI मॉडलों को भ्रमित करते हैं। यह साइड सड़कों के भूलभुलैया में खो जाने के बजाय एक सीधा हाईवे लेने जैसा है।

6. परिणाम: बेहतर चित्र, कम पूर्वाग्रह

पेपर ने कई परिदृश्यों में इसका परीक्षण किया:

सरल गणित: जब डेटा में अजीब आकार (जैसे हेवी टेल्स या डिस्कनेक्टेड हिस्से) थे, तो उनका तरीका शुरू से शुरू करने वाले तरीकों की तुलना में बहुत बेहतर काम कर गया।
वास्तविक डेटा: उन्होंने वास्तविक दुनिया के डेटासेट (जैसे आर्थिक डेटा और मेडिकल रिकॉर्ड) पर परीक्षण किया और पाया कि यह वर्तमान स्टेट-ऑफ-द-आर्ट विधियों की तुलना में अधिक सटीक है।
छवियां (Images): उन्होंने CelebA (सेलिब्रिटी चेहरों का एक डेटासेट) पर इसे लागू किया।
- कार्य: मूल डेटा में, "ब्लोंड हेयर" (सुनहरे बाल) मुख्य रूप से "फीमेल" (महिला) से जुड़े थे।
- सुधार: उन्होंने सामान्य जनसंख्या के बालों के रंग के वितरण (अधिक भूरे बाल, कम सुनहरे बाल) के साथ "फीमेल्स" की छवियां जेनरेट करने के लिए अपने फ्लो का उपयोग किया।
- परिणाम: AI को यह फिर से सीखने की आवश्यकता नहीं पड़ी कि चेहरा कैसा दिखता है। इसने चेहरे को प्राकृतिक और उच्च-गुणवत्ता वाला रखते हुए केवल बालों के रंग के वितरण को "एडिट" किया।

सारांश

पेपर कहता है: पहिए का पुनरुद्धार न करें (Don't reinvent the wheel)। जब आप एक "क्या-होता-यदि" परिदृश्य का अनुकरण करना चाहते हैं, तो उस डेटा से शुरू करें जो आपके पास पहले से है। क्योंकि "क्या-होता-यदि" वाली दुनिया संरचनात्मक रूप से "वास्तविक" दुनिया के समान है, इसलिए आप वहां पहुँचने के लिए एक छोटा, कुशल पुल (एक फ्लो) बना सकते हैं। यह पुल बनाना आसान है, त्रुटियों के प्रति कम संवेदनशील है, और शून्य से निर्माण करने की तुलना में उच्च-गुणवत्ता वाले परिणाम देता है।

तकनीकी सारांश: अवलोकनों से फ्लो मैचिंग के माध्यम से डिबायस्ड काउंटरफैक्चुअल जनरेशन

समस्या विवरण

केंद्रित समस्या काउंटरफैक्चुअल आउटकम डिस्ट्रीब्यूशन (प्रतिफल वितरण), जिसे $P_{Y(a)}$ द्वारा दर्शाया गया है, का अनुमान लगाना है, जो एक बाइनरी वेरिएबल $A$ (जैसे उपचार असाइनमेंट) पर एक काल्पनिक हस्तक्षेप (intervention) के तहत होता है, यह देखते हुए कि केवल कन्फाउंडेड ऑब्जर्वेशनल डेटा $(X, A, Y)$ उपलब्ध है। यह कार्य उपचार जोखिम मूल्यांकन और जेनेरेटिव मॉडलिंग के लिए महत्वपूर्ण है जहाँ एक विशिष्ट एट्रिब्यूट $A=a$ के साथ नमूने (samples) उत्पन्न करने की इच्छा होती है जबकि न्यूसेंस वेरिएबल्स $X$ के साथ स्प्यूरियस कोरिलेशन (मिथ्या सहसंबंधों) को हटाया जा सके।

मौजूदा दृष्टिकोण आमतौर पर काउंटरफैक्शियल डिस्ट्रीब्यूशन $P_{Y(a)}$ को एक स्टैंडअलोन जेनेरेटिव टारगेट के रूप में मॉडल करते हैं, जो अक्सर ऑब्जर्वेशनल डेटा पर प्रशिक्षित होने के लिए सेमीपैरामेट्रिक डिबायसिंग तकनीकों का उपयोग करते हैं। हालाँकि, ये विधियाँ लक्षित वितरण को अनस्ट्रक्चर्ड मानती हैं, और ऑब्जर्वेशनल कंडीशनल डिस्ट्रीब्यूशन $P_{Y|A=a}$ तथा लक्ष्य $P_{Y(a)}$ के बीच ज्यामितीय और सांख्यिकीय संबंध की अनदेखी करती हैं। फलस्वरूप, वे 'मिसमैच्ड सपोर्ट', 'टेल बिहेवियर' या मल्टीमोडैलिटी के मामले में संघर्ष कर सकती हैं जब वे शून्य से (from scratch) सीखने का प्रयास करती हैं, विशेष रूप से उच्च-आयामी (high-dimensional) सेटिंग्स में।

कार्यप्रणाली: डीकफाउंडिंग फ्लोज़ (Deconfounding Flows)

लेखक एक नवीन रणनीति प्रस्तावित करते हैं: $P_{Y(a)}$ को शून्य से सीखने के बजाय, वे एक "डीकफाउंडिंग फ्लो" $f_a$ सीखते हैं जो ऑब्जर्वेशनल कंडीशनल डिस्ट्रीब्यूशन $P_{Y|A=a}$ को काउंटरफैक्चुअल डिस्ट्रीब्यूशन $P_{Y(a)}$ में ट्रांसपोर्ट करता है। इसे इस प्रकार स्वरूपित किया गया है:
$P_{Y(a)} = (f_a)_\# P_{Y|A=a}$

सैद्धांतिक आधार

यह दृष्टिकोण मानक कॉज़ल धारणाओं (कंसिस्टेंसी, कंडीशनल एक्सचेंजेबिलिटी और पॉजिटिविटी) के तहत $P_{Y(a)}$ और $P_{Y|A=a}$ के बीच तीन प्रमुख संरचनात्मक समानताओं पर निर्भर करता है:

समान सपोर्ट और टेल बिहेवियर: पॉजिटिविटी धारणा के तहत, दोनों वितरण समान सपोर्ट और टेल क्लास साझा करते हैं। यह फ्लो-आधारित विधियों को एक निश्चित बेस डिस्ट्रीब्यूशन (जैसे गाऊसी वितरण) से अलग ज्यामितीय गुणों वाले लक्ष्य तक ट्रांसपोर्ट करने में होने वाली मिस-स्पेसिफिकेशन सीमाओं से बचने में मदद करता है।
सांख्यिकीय निकटता: टोटल वेरिएशन (TV) डिस्टेंस, सोर्स और टारगेट के बीच कन्फाउंडिंग की शक्ति द्वारा सीमित होता है। कमजोर या स्मूथ कन्फाउंडिंग के तहत, वितरण सांख्यिकीय रूप से करीब होते हैं, जिसका अर्थ है कि ऑप्टिमल ट्रांसपोर्ट मैप लगभग आइडेंटिटी के करीब है।
फीचर संरक्षण: $Y$ के वे फीचर्स जो कन्फाउंडर्स $X$ के प्रति इनवेरिएंट (अपरिवर्तनीय) हैं (जैसे छवियों में ऑब्जेक्ट का आकार, जबकि रंग कन्फाउंडर है), $P_{Y|A=a}$ और $P_{Y(a)}$ दोनों में समान वितरण साझा करते हैं। यह सुझाव देता है कि सीखने की समस्या पूर्ण जनरेशन के बजाय स्ट्रक्चर्ड एडिटिंग की है।

एस्टीमेटर: डिबायस्ड फ्लो मैचिंग (DECFM)

फ्लो $f_a$ का अनुमान लगाने के लिए, लेखक फ्लो मैचिंग (Lipman et al., 2023) का उपयोग करते हैं। वेलोसिटी फील्ड $v_{\theta_a}$ को एक न्यूरल नेटवर्क द्वारा पैरामीटराइज़ किया जाता है, और फ्लो संबद्ध ODE का टाइम-1 सॉल्यूशन है।

एक महत्वपूर्ण चुनौती तब उत्पन्न होती है जब अनुमान के लिए टार्गेट फंक्शनल, मॉडल के माध्यम से डेटा डिस्ट्रीब्यूशन पर निर्भर करता है (बेस डिस्ट्रीब्यूशन $P_{Y|A=a}$ के माध्यम से)। मानक सेमीपैरामेट्रिक डिबायसिंग तकनीकें, जो मानती हैं कि मोमेंट फंक्शन फिक्स्ड है, अपर्याप्त हैं। लेखक इस डिपेंडेंसी को संभालने के लिए एक नवीन एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) करेक्शन प्राप्त करते हैं।

प्रस्तावित एस्टीमेटर, DecFM, एक वन-स्टेप डिबायस्ड एस्टीमेटर का उपयोग करता है:
$\hat{m}(\theta_a) = \frac{1}{n} \sum_{i=1}^n \left( \hat{\mu}_{\theta_a}(A_i, X_i) + \hat{\phi}_{\theta_a, a}(X_i, A_i, Y_i) \right)$
जहाँ $\hat{\phi}_{\theta_a, a}$ प्राप्त किया गया EIF है। यह एस्टीमेटर निम्नलिखित सुनिश्चित करता है:

डबल रोबस्टनेस: कंसिस्टेंसी बनी रहती है यदि प्रोपेंसिटी स्कोर मॉडल $\hat{\pi}_a$ या कंडीशनल आउटकम मॉडल $\hat{P}_{Y|A,X}$ सुसंगत (consistent) हो।
सेमीपैरामेटिक एफिशिएंसी: एस्टीमेटर मानक रेगुलेरिटी कंडीशंस के तहत एफिशिएंसी बाउंड प्राप्त करता है।
V-प्रोसेस हैंडलिंग: लेखक बेस डिस्ट्रीब्यूशन के लिए एम्पिरिकल मेजर्स का उपयोग करने से उत्पन्न होने वाले V-प्रोसेसों को संभालने के लिए मौजूदा एफिशिएंसी प्रूफ का विस्तार करते हैं।

उच्च आयामों के लिए विस्तार (OT कपलिंग)

उच्च-आयामी स्पेस में, फ्लो मैचिंग में उपयोग किया जाने वाला मानक इंडिपेंडेंट कपलिंग सबसे कुशल ट्रांसपोर्ट पाथ नहीं दे सकता है। लेखक बेस और टार्गेट डिस्ट्रीब्यूशन के बीच इंडिपेंडेंट कपलिंग को एंट्रोपिक OT कपलिंग (Sinkhorn के एल्गोरिदम के माध्यम से गणना की गई) से बदलकर ऑप्टिमल ट्रांसपोर्ट (OT) फ्लो को लक्षित करने के लिए विधि का विस्तार करते हैं। इसके परिणामस्वरूप "मिनिमल-एनर्जी" फ्लो प्राप्त होते हैं जिनकी ट्रैजेक्टरीज अधिक सीधी होती हैं, जो सीखने में आसान और मॉडल कैपेसिटी कंस्ट्रेंट्स के प्रति अधिक मजबूत होते हैं।

मुख्य योगदान

स्ट्रक्चरल कैरेक्टराइजेशन: पेपर औपचारिक रूप से ऑब्जर्वेशनल और काउंटरफैक्चुअल डिस्ट्रीबशंस के बीच साझा सपोर्ट, टेल बिहेवियर और फीचर इनवेरिएंस को परिभाषित करता है, जो डीकफाउंडिंग फ्लो के उपयोग को प्रेरित करता है।
डिबायस्ड एस्टीमेटर (DecFM): एक नया फ्लो-मैचिंग एस्टीमेटर जो एक नवीन EIF करेक्शन पर आधारित है, जो बेस डिस्ट्रीब्यूशन पर टार्गेट की निर्भरता को ध्यान में रखता है। इस विधि को डबल रोबस्ट और सेमीपैरामेटिकली एफिशिएंट सिद्ध किया गया है।
OT विस्तार: उच्च आयामों में मिनिमल-एनर्जी OT फ्लो को लक्षित करने के लिए एक विस्तार, जो लर्निंग एल्गोरिदम के लिए एक सरल ज्यामितीय टार्गेट प्रदान करता है।
एम्पिरिकल वैलिडेशन: सिंथेटिक बेंचमार्क और रियल-वर्ल्ड कॉज़ल डेटासेट्स (ACIC, TWิ้นS, 401k) पर मौजूदा स्टेट-ऑफ-द-आर्ट डिबायस्ड एस्टीमेटर्स (DoubleGen, TSE, और INFs सहित) की तुलना में श्रेष्ठ प्रदर्शन प्रदर्शित किया गया।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन किया गया:

सिंथेटिक 1D/2D आउटकम्स: DecFM ने उन परिदृशस्यों में Gaussian-base फ्लो मैचिंग की तुलना में काफी बेहतर प्रदर्शन किया जहाँ हेवी टेल्स और स्प्लिट सपोर्ट थे, जहाँ मानक विधियाँ सपोर्ट मिसमैच के कारण विफल हो जाती हैं।
कॉज़ल बेंचमार्क्स: विभिन्न आउटकम ज्योमेट्री (Gaussian, Split Support, Heavy Tails) वाले ACIC, TWINS और 401k डेटासेट्स पर, DecFM ने औसतन सबसे कम Wasserstein-1 एरर प्राप्त किया।
इमेज जनरेशन (ColorMNIST और CelebA):
- ColorMNIST: एक नियंत्रित कार्य में जहाँ डिजिट क्लास ( $A$ ) फोरग्राउंड कलर ( $X$ ) के साथ कन्फाउंडेड था, DecFM ने डिजिट स्ट्रक्चर को सुरक्षित रखते हुए कलर डिस्ट्रीब्यूशन को सफलतापूर्वक री-बैलेंस किया, जिससे Gaussian-आधारित बेसलाइन्स से बेहतर प्रदर्शन मिला।
- CelebA: सेक्स ( $A$ ) के माध्यम से हेयर कलर ( $X$ ) को री-बैलेंस करने वाले उच्च-आयामी कार्य में, DecFM ने चेहरे की पहचान और पोज़ जैसे सिमेंटिक कंटेंट को सुरक्षित रखते हुए सही हेयर कलर डिस्ट्रीब्यूशन के साथ उच्च-गुणवत्ता वाली छवियां बनाईं, जो दर्शाता है कि फ्लो स्ट्रक्चर्ड एडिट्स सीखता है न कि शोर (noise) से इमेज सिंथेसाइज करता है।

महत्व और दावे

पेपर का दावा है कि ऑब्जर्वेशनल और काउंटरफैक्चुअल डिस्ट्रीबशंस के बीच ज्यामितीय निकटता का लाभ उठाकर, डीकफाउंडिंग फ्लो "फ्रॉम-स्क्रैच" जेनेरेटिव मॉडलिंग की तुलना में अधिक कुशल और मजबूत विकल्प प्रदान करते हैं। लेखक तर्क देते हैं कि यह दृष्टिकोण फ्लो-आधारित विधियों के ज्ञात फेल्योर मोड्स (जैसे कि टेल बिहेवियर या डिस्कनेक्टेड सपोर्ट के अनुकूल होने में कठिनाई) को कम करता है और जेनेरेटिव मॉडल्स में स्प्यूरियस कोरिलेशन को हटाने के लिए एक सिद्धांतपूर्ण तरीका प्रदान करता है।

इसका महत्व कॉज़ल इन्फरेंस थ्योरी को आधुनिक जेनेरेटिव मॉडलिंग (फ्लो मैचिंग) के साथ जोड़ने में निहित है, जिससे एक ऐसी विधि बनती है जो सांख्यिकीय रूप से कुशल (doubly robust) और उच्च-आयामी कार्यों जैसे इमेज जनरेशन के लिए व्यावहारिक रूप से प्रभावी है। लेखक नोट करते हैं कि हालांकि यह विधि कॉज़ल इन्फरेंस की मानक सीमाओं (जैसे कि अनऑब्जर्व्ड कन्फाउंडिंग धारणाओं पर निर्भरता) को विरासत में लेती है, लेकिन यह एक व्यावहारिक ढांचा प्रदान करती है जो उन सेटिंग्स में स्प्यूरियस कोरिलेशन को हटाने के लिए प्रभावी है जहाँ टार्गेट डिस्ट्रीब्यूशन ऑब्जर्व्ड डेटा के स्ट्रक्चरल रूप से समान है।