📊 statistics

Causal Discovery in Structural VAR Models Under Equal Noise Variance

यह शोध पत्र समान शोर प्रसरण (noise variance) वाले रैखिक गाऊसी स्ट्रक्चरल VAR मॉडलों में कारण खोज (causal discovery) की चुनौती को संबोधित करता है, जिसमें अवलोकन संबंधी तुल्यता (observational equivalence) के लिए एक सैद्धांतिक ढांचा स्थापित किया गया है और ENVAR प्रस्तावित किया गया है, जो एक स्पर्सिटी-आधारित एल्गोरिदम है जो तुल्यता वर्ग के भीतर एक प्रतिनिधि कारण ग्राफ की पहचान करता है, जिसे सिंथेटिक और fMRI डेटा दोनों पर मान्य किया गया है।

मूल लेखक: SeyedSina Seyedi HasanAbadi, Fahimeh Arab, Erfan Nozari, AmirEmad Ghassami

प्रकाशित 2026-05-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: SeyedSina Seyedi HasanAbadi, Fahimeh Arab, Erfan Nozari, AmirEmad Ghassami

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 दोस्तों का एक समूह पूरे दिन एक-दूसरे के मूड को कैसे प्रभावित करता है। आपके पास उनकी बातचीत का एक वीडियो रिकॉर्डिंग (डेटा) है, लेकिन कैमरा धीमा है। यह हर मिनट में केवल एक तस्वीर लेता है, भले ही उनकी बातचीत और प्रतिक्रियाएं सेकंड के कुछ हिस्सों में होती हों।

यह उस समस्या का मूल है जिसे यह शोध पत्र संबोधित करता है: स्ट्रक्चरल VAR मॉडल्स में कॉज़ल डिस्कवरी (Causal Discovery in Structural VAR Models)।

यहाँ शोध पत्र के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "धीमे कैमरे" का प्रभाव

न्यूरोसाइंस (विशेष रूप से fMRI ब्रेन स्कैन) जैसे क्षेत्रों में, वैज्ञानिक यह जानना चाहते हैं कि मस्तिष्क का कौन सा हिस्सा दूसरे हिस्से की गतिविधि को प्रभावित करता है।

वास्तविकता: न्यूरॉन्स मिलीसेकंड में फायर करते हैं और एक-दूसरे से बात करते हैं।
डेटा: स्कैनर केवल एक सेकंड या उससे अधिक के अंतराल पर एक "स्नैपशॉट" लेता है।
भ्रम: क्योंकि कैमरा बहुत धीमा है, इसलिए एक ही स्नैपशॉट के भीतर दो चीजें हो सकती हैं:
1. लैग्ड इफेक्ट्स (Lagged Effects): मस्तिष्क A ने पिछले सेकंड में मस्तिष्क B को प्रभावित किया (पहचानना आसान है)।
2. कंटेम्पोरेनियस इफेक्ट्स (Contemporaneous Effects): मस्तिष्क A और मस्तिष्क B ने उसी सेकंड के भीतर एक-दूसरे को प्रभावित किया (पहचानना कठिन है)।

यदि आप यह नक्शा बनाने की कोशिश करते हैं कि कौन किसे प्रभावित करता है, तो आप गलत हो सकते हैं क्योंकि वे "तत्काल" प्रभाव एक उलझे हुए जाल की तरह दिखते हैं, और आप यह नहीं बता सकते कि बातचीत किसने शुरू की।

2. विशेष नियम: "समान शोर" (Equal Noise)

लेखक इस पहेली को सुलझाने में मदद करने के लिए एक विशिष्ट नियम पेश करते हैं: इक्वल नॉइज़ वेरिएंस (Equal Noise Variance)।

उपमा: कल्पना कीजिए कि दोस्तों के समूह में से हर किसी का थोड़ा अलग "बैकग्राउंड नॉइज़" (जैसे बैकग्राउंड में पंखे की गूँज) है जो उनके मूड को प्रभावित करता है। आमतौर पर, ये पंखे अलग-अलग आकार और वॉल्यूम के होते हैं, जिससे यह बताना असंभव हो जाता है कि कौन किससे बात कर रहा है।
धारणा: लेखक यह मान लेते हैं कि वे सभी "बैकग्राउंड पंखे" बिल्कुल एक ही वॉल्यूम और प्रकार के हैं।
यह कैसे मदद करता है: यदि आप जानते हैं कि "स्टैटिक" (static) सभी के लिए समान है, तो आप वास्तविक बातचीत को देखने के लिए इसे अधिक आसानी से हटा सकते हैं।

3. बड़ा आश्चर्य: एक नक्शा, कई संभावनाएं

पिछले कई अध्ययनों में, यदि आपके पास यह "समान शोर" वाला नियम था, तो आप यह पता लगा सकते थे कि कौन किसे प्रभावित करता है (एक ही सच्चा नक्शा)।

शोध पत्र की खोज: इस टाइम-सीरीज सेटिंग (जहाँ चीजें समय के साथ होती हैं) में, "समान शोर" का नियम आपको एक अनूठा (unique) नक्शा नहीं देता है।
उपमा: कल्पना कीजिए कि आपके पास एक रुबिक क्यूब (Rubik's Cube) है। आप क्यूब को घुमा सकते हैं या बदल सकते हैं (नजरिया बदल सकते हैं), और बाहर के रंग (जो डेटा आप देखते हैं) बिल्कुल एक जैसे दिखते हैं, लेकिन इसकी आंतरिक संरचना बदल गई है।
परिणाम: केवल एक "सही" नक्शा नहीं है। इसके बजाय, नक्शों का एक पूरा परिवार (जिसे ऑब्जर्वेशनल इक्विवेलेंस क्लास कहा जाता है) मौजूद है जो बिल्कुल एक जैसा वीडियो फुटेज ही पैदा करता है। आप केवल डेटा को देखकर उनमें अंतर नहीं कर सकते।

4. समाधान: "ENVAR" प्रक्रिया

चूंकि हम एक अकेला "सच्चा" नक्शा नहीं ढूंढ सकते, इसलिए लेखक एक नई विधि प्रस्तावित करते हैं जिसे ENVAR (Equal-Noise VAR) कहा जाता है।

रणनीति: एक अकेले "सच्चे" नक्शे की तलाश करने के बजाय, ENVAR उस परिवार की संभावनाओं में से सबसे सरल नक्शे की तलाश करता है।
उपमा: कल्पना कीजिए कि आपके पास अलग-अलग कपड़ों से भरा एक सूटकेस है जो दूर से एक जैसे दिखते हैं। आप यह नहीं बता सकते कि कौन सा "असली" है, लेकिन आप उस कपड़े को चुनने का निर्णय लेते हैं जिसमें सबसे कम बटन और जेबें (सबसे स्पार्स/sparse वाला) हैं, क्योंकि वह सबसे सुंदर और संभावित डिज़ाइन है।
यह कैसे काम करता है: गणित उन सभी संभावित "रोटेटेड" नक्शों में से उसे चुनता है जहाँ सबसे कम कनेक्शन मौजूद होते हैं। यह इस विचार पर आधारित है कि प्रकृति जटिल स्पष्टीकरणों के बजाय सरल स्पष्टीकरणों को प्राथमिकता देती है।

5. विचार का परीक्षण

लेखकों ने अपने तरीके का दो तरह से परीक्षण किया:

सिंथेटिक डेटा (Synthetic Data): उन्होंने नकली ब्रेन डेटा बनाया जहाँ वे "सच्चे" उत्तर को जानते थे। उन्होंने दिखाया कि उनका तरीका (ENVAR) अन्य मौजूदा तरीकों की तुलना में सच्चाई के बहुत करीब का नक्शा ढूंढता है।
वास्तविक fMRI डेटा: उन्होंने मानव मोटर टास्क (उंगलियों को हिलाने) के दौरान वास्तविक ब्रेन स्कैन पर इसे लागू किया।
- परिणाम: उनके द्वारा बनाए गए नक्शे ने मस्तिष्क के उन हिस्सों को उजागर किया जो गति को नियंत्रित करने के लिए जाने जाते हैं (जैसे मोटर कॉर्टेक्स), जो वैज्ञानिकों को मानव जीव विज्ञान के बारे में पहले से पता है उससे मेल खाता है।

सारांश

यह शोध पत्र कहता है: "धीमी गति वाले ब्रेन डेटा को देखते समय, यह मानना कि सभी बैकग्राउंड नॉइज़ समान है, हमें एक एकल उत्तर नहीं देता है। इसके बजाय, यह संभावनाओं का एक समूह देता है। हमारा नया टूल, ENVAR, उस समूह के भीतर सबसे सरल और तार्किक नक्शा ढूंढता है, और यह सही कनेक्शन खोजने में वर्तमान उपकरणों की तुलना में बेहतर काम करता है।"

तकनीकी सारांश: समान शोर प्रसरण (Equal Noise Variance) के तहत स्ट्रक्चरल VAR मॉडलों में कॉज़ल डिस्कवरी

समस्या विवरण
मल्टीवेरिएट टाइम सीरीज़ (बहुचर समय श्रृंखला) से कॉज़ल डिस्कवरी करना विशेष रूप से चुनौतीपूर्ण है जब कारण प्रभाव समय के माध्यम से (लैग्ड/lagged) और एक ही सैंपलिंग अंतराल के भीतर (कंटेम्पोरनेसियस/contemporaneous) दोनों ओर होते हैं। यह मुद्दा न्यूरोसाइंस जैसे डोमेन में महत्वपूर्ण है, जहाँ सैंपलिंग दरें (जैसे fMRI) अक्सर अंतर्निहित गतिकी (underlying dynamics) के सापेक्ष धीमी होती हैं, जिससे ऐसे मॉडलों की आवश्यकता होती है जो 'विन-देन' (within-bin) अंतःक्रियाओं को पकड़ सकें। हालाँकि रैखिक गाऊसी स्ट्रक्चरल वेक्टर ऑटोरिग्रेसिव (SVAR) मॉडल शक्तिशाली हैं, लेकिन मानक पहचान तकनीकें इस सेटिंग में अक्सर विफल हो जाती हैं।

क्रॉस-सेक्शनल स्ट्रक्चरल इक्वेशन मॉडल्स (SEM) के विपरीत, जहाँ समान शोर प्रसरण धारणा के साथ एक निर्देशित अचक्रीय ग्राफ (DAG) धारणा एक अद्वितीय ग्राफ की पॉइंट-आइडेंटिफिकेशन (point identification) प्रदान करती है, कंटेंपोरनेसियस प्रभावों वाला टाइम-सीरीज सेटिंग आम तौर पर एक अद्वितीय ग्राफ प्रदान नहीं करता है। SVAR मॉडलों में, कंटेंपोरनेसियस प्रभाव चक्र (cycles) बना सकते हैं, और कई अलग-अलग स्ट्रक्चरल पैरामीट्रिज़ेशन बिल्कुल एक ही स्टेशनरी ऑब्जर्व्ड प्रोसेस लॉ को प्रेरित कर सकते हैं। फलस्वरूप, कॉज़ल डिस्कवरी का लक्ष्य एक एकल ग्राफ की पहचान करने से बदलकर एक ऑब्जर्वेशनल इक्विवेलेंस क्लास (observational equivalence class) की पहचान करने की ओर स्थानांतरित हो जाता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र समान शोर प्रसरण (जहाँ स्ट्रक्चरल नॉइज़ टर्म्स परस्पर स्वतंत्र हैं और उनका एक सामान्य प्रसरण $\sigma^2$ है) के तहत रैखिक गाऊसी SVAR(1) मॉडलों में कॉज़ल डिस्कवरी के लिए एक ढांचा प्रस्तावित करता है।

ऑब्जर्वेशनल इक्िवेलेंस का लक्षण वर्णन:
लेखक सिद्ध करते हैं कि दो एडमिसिबल (admissible) SVAR मॉडल $M = (A_0, A_1, \sigma)$ और $M' = (A'_0, A'_1, \sigma')$ ऑब्जर्वेशनली इक्िवेलेंट हैं यदि और केवल यदि उनके स्ट्रक्चरल पैरामीटर्स एक ऑर्थोगोनल ट्रांसफॉर्मेशन (orthogonal transformation) और एक ग्लोबल पॉजिटिव स्केल द्वारा संबंधित हैं। विशेष रूप से, एक ऑर्थोगोनल मैट्रिक्स $Q \in O(p)$ और एक स्केलर $c > 0$ मौजूद है जिससे:
$B' = cQB, \quad A'_1 = cQA_1, \quad \sigma' = c\sigma$
जहाँ $B = I - A_0$ है। यह लक्षण वर्णन दर्शाता है कि स्ट्रक्चरल ग्राफ पॉइंट-आइडेंटिफाइड नहीं है; बल्कि, डेटा मॉडलों के एक ऐसे वर्ग की पहचान करता है जो इन रूपांतरणों द्वारा संबंधित है।
ऑब्जर्वेशनल एलाइनमेंट डिसक्रेपेंसी (Observational Alignment Discrepancy):
इस सेटिंग में मॉडल रिकवरी का मूल्यांकन करने के लिए, लेखक ऑब्जर्वेशनल एलाइनमेंट डिसक्रेपेंसी ( $\Delta^{\text{obs}}_{\text{align}}$ ) पेश करते हैं। मानक फ्रोबेनियस एरर (Frobenius errors) के विपरीत, यह मीट्रिक एक कैंडिडेट मॉडल और ग्राउंड ट्रुथ के संपूर्ण ऑब्जर्वेशनल इक्विवेलेंस क्लास के बीच की दूरी को मापता है। इसे सभी वैध ऑर्थोगोनल ट्रांसफॉर्मेशन और ग्लोबल स्केलिंग पर पुनर्निर्माण त्रुटि के इन्फिमम (infimum) के रूप में परिभाषित किया गया है। एक क्लोज्ड-फॉर्म समाधान SVD का उपयोग करके प्राप्त किया गया है, जो किसी विशिष्ट मनमाने प्रतिनिधि (arbitrary representative) से मिलान करने की आवश्यकता के बिना कुशल मूल्यांकन की अनुमति देता है।
ENVAR एल्गोरिदम:
लेखक इक्िवेलेंस क्लास से एक पसंदीदा प्रतिनिधि चुनने के लिए एक स्पैरसिटी-आधारित प्रक्रिया, ENVAR (Equal-Noise VAR causal discovery) प्रस्तावित करते हैं। एल्गोरिदम तीन चरणों में आगे बढ़ता है:

रिड्यूस्ड-फॉर्म एस्टीमेशन: ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) के माध्यम से रिड्यूस्ड-फॉर्म ट्रांजिशन मैट्रिक्स $\Phi$ और रेसिडुअल कोवेरिएंस $\Sigma_u$ का अनुमान लगाना।
कैनोनिकल रिप्रेजेंटेटिव कंस्ट्रक्शन: एम्पिरिकल प्रिसिजन मैट्रिक्स के चोलेस्की फैक्टर (Cholesky factor) का उपयोग करके एक बेस स्ट्रक्चरल रिप्रेजेंटेशन बनाना।
स्पार्स सर्च: ऑर्थोगोनल मैनिफोल्ड और ग्लोबल स्केल पर खोज करना ताकि एक ऐसा स्ट्रक्चरल प्रतिनिधि खोजा जा सके जो $\text{diag}(I - A_0) = 1$ के नॉर्मलाइजेशन कंस्ट्रेंट के अधीन, $A_0$ के ऑफ-डायगोनल एंट्रीज के $\ell_1$ नॉर्म और $A_1$ की सभी एंट्रीज के $\ell_1$ नॉर्म को कम करे। इसे ऑर्थोगोनल मैनिफोल्ड पर नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन (PyTorch के ऑर्थोगोनल पैरामीट्रिज़ेशन के माध्यम से) का उपयोग करके हल किया जाता है।

मुख्य परिणाम
कार्यप्रणाली का मूल्यांकन सिंथेटिक डेटा और मानव कनेक्टोम प्रोजेक्ट (HCP) से वास्तविक fMRI डेटा पर किया गया।

सिंथेटिक डेटा: ENVAR की तुलना EqVarGDS, VARLiNGAM और DYNOTEARS से की गई। ENVAR ने विभिन्न ग्राफ आयामों ( $p$ ) में सबसे कम स्केल-फ्री ऑब्जर्वेशनल एलाइनमेंट डिसक्रेपेंसी प्राप्त की, जो इंगित करता है कि यह उन मॉडलों को सफलतापूर्वक रिकवर करता है जो वास्तविक इक्विवेलेंस क्लास के सबसे करीब हैं। इसने ग्राउंड-ट्रुथ रिड्यूस्ड-फॉर्म पैरामीटर्स और स्ट्रक्चरल मैट्रिसेस के साथ उच्च पियर्सन सहसंबंध (Pearson correlation) भी प्रदर्शित किया। विशेष रूप से, ENVAR समान-प्रसरण धारणा के उल्लंघन के प्रति मजबूत रहा, और मध्यम स्तर के नोड-वार भिन्न प्रसरण के बावजूद बेहतर प्रदर्शन बनाए रखा।
वास्तविक fMRI डेटा: HCP मोटर टास्क डेटा पर लागू किए जाने पर, ENVAR ने ऐसे कॉज़ल ग्राफ रिकवर किए जहाँ नोडल सेंट्रैलिटी (इन-डिग्री, आउट-डिग्री, नेट फ्लो) ज्ञात न्यूरोसाइंटिफिक एक्टिवेशन मैप्स के साथ उल्लेखनीय रूप से संरेखित थी। न्यूरोसिंथ (NeuroSynth) विश्लेषण ने पुष्टि की कि सीखे गए ग्राफ स्ट्रक्चर से जुड़े संज्ञानात्मक शब्द मोटर कंट्रोल साहित्य के साथ सुसंगत थे।

महत्व और दावे
यह शोध पत्र दावा करता है कि समान शोर प्रसरण के तहत, ऑर्थोगोनल ट्रांसफॉर्मेशन के तहत ऑब्जर्व्ड लॉ की अपरिवर्तनीयता और कंटेंपोरनेसियस साइकिल्स की उपस्थिति के कारण, SVAR मॉडलों में स्ट्रक्चरल ग्राफ आम तौर पर पॉइंट-आइडेंटिफाइड नहीं होता है। इसलिए, कॉज़ल डिस्कवरी का उचित लक्ष्य एक एकल ग्राफ नहीं, बल्कि ऑब्जर्वेशनल इक्विवेलेंस क्लास है।

इस कार्य का महत्व निम्नलिखित में निहित है:

टाइम-सीरीज डेटा के लिए इस इक्िवेलेंस क्लास का सटीक लक्षण वर्णन प्रदान करना, जो क्रॉस-सेक्शनल DAG सेटिंग से भिन्न है।
एक इक्विवेलेंस-अवेयर एरर मीट्रिक (ऑब्जर्वेशनल एलाइनमेंट डिसक्रेपेंसी) पेश करना जो अंतर्निहित नॉन-आइडेंटिफिएबिलिटी को ध्यान में रखते हुए स्ट्रक्चरल रिकवरी का सही मूल्यांकन करता है।
ENVAR प्रस्तावित करना, जो एक व्यावहारिक एल्गोरिदम है जो इक्विवेलेंस क्लास से एक नॉर्मलाइज्ड प्रतिनिधि चुनने के लिए स्पैरसिटी का लाभ उठाता है, और सिंथेटिक एवं वास्तविक दुनिया के न्यूरोइमेजिंग परिदृश्यों में स्टेट-ऑफ-द-आर्ट विधियों की तुलना में बेहतर सटीकता प्रदर्शित करता है।

लेखक सीमाओं का उल्लेख करते हैं, जिसमें रैखिकता (linearity), स्थिरता (stationarity) और अनऑब्जर्व्ड कन्फाउंडर्स की अनुपस्थिति पर निर्भरता, साथ ही नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन का उपयोग शामिल है, जो लोकल मिनिमा में अभिसरित (converge) हो सकता है। भविष्य के कार्य के रूप में नॉन-स्टेशनैरिटी और उच्च-क्रम की गतिकी (higher-order dynamics) को संबोधित करने का सुझाव दिया गया है।