📊 statistics

CausalGuard: Conformal Inference under Graph Uncertainty

CausalGuard एक नवीन कॉन्फॉर्मल इन्फरेंस फ्रेमवर्क है जो डेटा-सपोर्टेड कैंडिडेट DAG सेट द्वारा भारित ग्राफ-कंडीशनल डबली रोबस्ट स्यूडो-आउटकम्स को एकत्रित करके कॉज़ल ग्राफ अनिश्चितता को संबोधित करता है, जिससे डिस्ट्रीब्यूशन-फ्री फाइनाइट-सैंपल कवरेज और ग्राफ-एग्नोस्टिक बेसलाइन्स की तुलना में बेहतर दक्षता प्राप्त होती है।

मूल लेखक: Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Nengbo Wang, Sreehari Sankar, Mohsen Hariri, Alexander Nemecek, Chaoda Song, Shouren Wang, Biyao Zhang, Van Yang, Erman Ayday, Jing Ma, Vipi

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Nengbo Wang, Sreehari Sankar, Mohsen Hariri, Alexander Nemecek, Chaoda Song, Shouren Wang, Biyao Zhang, Van Yang, Erman Ayday, Jing Ma, Vipin Chaudhary

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 डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा वास्तव में मरीजों को ठीक करने में मदद करती है। आपके पास कोई आदर्श लैब प्रयोग नहीं है; आपके पास केवल वास्तविक दुनिया के मरीज के रिकॉर्ड्स का एक बिखरा हुआ ढेर है। सही उत्तर प्राप्त करने के लिए, आपको कुछ "शोर" पैदा करने वाले कारकों (जैसे उम्र या आहार) को अनदेखा करना होगा जो परिणामों को भ्रमित कर सकते हैं, लेकिन आपको महत्वपूर्ण कारकों को बनाए रखना होगा।

समस्या क्या है? आपको उन कारकों के बीच संबंध का सटीक नक्शा (map) नहीं पता है। क्या उम्र आहार का कारण बन रही है, या आहार उम्र का कारण बन रहा है? यदि आप नक्शे का गलत अनुमान लगाते हैं, तो दवा का आपका मूल्यांकन पूरी तरह से गलत हो सकता है।

यहीं CAUSALGUARD काम आता है। इसे एक "स्मार्ट सेफ्टी नेट" (Smart Safety Net) के रूप में समझें जो इन अनुमानों को लगाने में मदद करता है।

यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करके यहाँ दिया गया है:

1. समस्या: नक्शे का अनुमान लगाना

आमतौर पर वैज्ञानिक यह समझने के लिए कि सब कुछ कैसे जुड़ा है, एक एकल नक्शा (एक कॉज़ल ग्राफ) बनाने की कोशिश करते हैं।

जोखिम: यदि वे नक्शा गलत बनाते हैं (उदाहरण के लिए, वे सोचते हैं कि एक लक्षण बीमारी का कारण बनता है, जबकि वास्तव में इसके विपरीत है), तो उनका दवा प्रभाव का कैलकुलेशन टूट जाता है।
पुराना समाधान: कुछ तरीके कहते हैं, "आइए अपने उत्तर में एक बहुत बड़ा सुरक्षा बफर जोड़ दें ताकि हम निश्चित हों कि हम सही हैं।" लेकिन यह उत्तर को इतना व्यापक और अस्पष्ट बना देता है कि वह बेकार हो जाता है (जैसे यह कहना कि दवा "-100% और +100% के बीच कहीं भी" काम करती है)।

2. CAUSALGUARD समाधान: "विशेषज्ञों की परिषद" (The Council of Experts)

एक ही नक्शे पर दांव लगाने के बजाय, CAUSALGUARD कई संभावित नक्शों की एक समिति बनाता है।

चरण 1: विचार मंथन (LLM Prior): यह एक लार्ज लैंग्वेज मॉडल (एक AI जो बहुत सारा टेक्स्ट पढ़ सकता है) से पूछता है: "क्या चीज़ें आपस में जुड़ी हो सकती हैं?" यह एक जानकार लाइब्रेरियन से संभावित सिद्धांतों की सूची माँगने जैसा है।
चरण 2: फ़िल्टर (Pruning): यह उन सिद्धांतों को लेता है और उन्हें एक सख्त परीक्षण (सांख्यिकीय जांच) से गुज़ारता है ताकि यह देखा जा सके कि क्या डेटा उनका समर्थन करता है। यदि कोई सिद्धांत कहता है कि "A, B का कारण है" लेकिन डेटा दिखाता है कि वे पूरी तरह से असंबंधित हैं, तो उस सिद्धांत को हटा दिया जाता है।
चरण 3: मतदान (Weighting): यह केवल "सर्वश्रेष्ठ" नक्शा नहीं चुनता। यह सभी शेष नक्शों को देखता है और डेटा के साथ उनके तालमेल के आधार पर उन्हें वोट देता है। एक नक्शा जो डेटा में पूरी तरह फिट बैठता है उसे 100 वोट मिलते हैं; एक कमजोर नक्शे को 1 वोट मिलता है।

3. जादुई ट्रिक: "कैलिब्रेट करने से पहले एकत्रित करें" (Aggregate Before You Calibrate)

यह पेपर का सबसे बड़ा नवाचार है।

पुराना तरीका: नक्शा A के लिए उत्तर निकालें, नक्शा B के लिए उत्तर निकालें, और फिर उन्हें औसत (average) निकालें। फिर, एक सुरक्षा बफर जोड़ने की कोशिश करें। यह अक्सर एक बहुत बड़ा, अव्यवस्थित सुरक्षा बफर पैदा करता है क्योंकि नक्शे आपस में बहुत असहमत होते हैं।
CAUSALGUARD का तरीका: यह सभी नक्शों को पहले ही (उनके वोटों के आधार पर भारित करके) मिला देता है ताकि एक एकल, "सुपर-अनुमान" बनाया जा सके। फिर, यह उस एकल अनुमान में सुरक्षा बफर जोड़ता है।
- उपमा: कल्पना कीजिए कि आप तापमान का अनुमान लगाने की कोशिश कर रहे हैं।
  - पुराना तरीका: 10 लोगों से उनके अनुमान पूछें, उनके व्यक्तिगत "सुरक्षित दायरे" लिखें, और फिर उन विशाल दायरों को मिलाएं। परिणाम एक विशाल, बेकार रेंज होगी।
  - CAUSALGUARD का तरीका: 10 लोगों से उनके अनुमान पूछें, उनके अनुमानों को एक "आम सहमति के तापमान" में औसत निकालें, और फिर उस आम सहमति के चारों ओर एक छोटा, सटीक सुरक्षा मार्जिन जोड़ें। परिणाम एक बहुत ही सटीक, उपयोगी रेंज होगी।

4. सुरक्षा जाल (Conformal Inference)

यह पेपर एक गणितीय तकनीक का उपयोग करता है जिसे कॉन्फॉर्मल इन्फरेंस (Conformal Inference) कहा जाता है। इसे एक गारंटी बैज के रूप में सोचें।

यह वादा करता है: "चाहे डेटा कितना भी अस्त-व्यस्त क्यों न हो, और भले ही हमारे नक्शे पूर्ण न हों, हम गारंटी देते हैं कि हमारा अंतिम उत्तर कम से कम 90% बार सही होगा।"
यह यह सब बिना यह धारणा बनाए करता है कि डेटा किसी विशिष्ट आकार (जैसे बेल कर्व) का पालन करता है। यह "डिस्ट्रीब्यूशन-फ्री" डेटा पर काम करता है।

5. पेपर ने वास्तव में क्या पाया

लेखकों ने पांच अलग-अलग वास्तविक दुनिया के डेटासेट्स (जैसे मेडिकल रिकॉर्ड और जॉब ट्रेनिंग डेटा) पर इसका परीक्षण किया।

यह काम करता है: इस पद्धति ने सफलतापूर्वक "सही उत्तर" को अपने अनुमानित दायरे के भीतर 90% से अधिक समय तक रखा (अपने लक्ष्य को पूरा किया)।
यह अधिक सटीक है: पुराने तरीकों की तुलना में, जो नक्शे की अनिश्चितता के बारे में नहीं जानते थे, CAUSALGUARD ने बहुत संकीर्ण (अधिक सटीक) अंतराल (intervals) प्रदान किए।
यह बुरे विचारों के प्रति स्मार्ट है: उन्होंने एक परिदृश्य का परीक्षण किया जहाँ डेटा में एक "खराब" चर (एक कोलाइडर) डाला गया था। पुराने तरीके भ्रमित हो गए और गलत उत्तर दिए। CAUSALGUARD की "समिति" ने पहचान लिया कि वह चर नियमों में फिट नहीं बैठता और उसे अनदेखा कर दिया, जिससे उत्तर सटीक बना रहा।
AI की भूमिका: AI (LLM) विचार मंथन शुरू करने में मदद करता है, लेकिन जैसे-जैसे अधिक डेटा आता है, वास्तविक डेटा (वोट) AI के शुरुआती अनुमान की तुलना में अधिक महत्वपूर्ण हो जाता है। AI एक सहायक स्टार्टर है, अंतिम बॉस नहीं।

सारांश

CAUSALGUARD एक ऐसी विधि है जो स्वीकार करती है, "हमें कारण-और-प्रभाव का सटीक नक्शा नहीं पता है।" घबराने या अंधेरे में अनुमान लगाने के बजाय, यह संभावित नक्शों की एक भारित समिति बनाता है, उनके अंतर्दृष्टि को एक एकल सर्वोत्तम अनुमान में मिलाता है, और फिर उस अनुमान को एक गणितीय रूप से गारंटीकृत सुरक्षा जाल में लपेट देता है। यह शोधकर्ताओं को उपचार प्रभावों के बारे में सटीक, विश्वसनीय उत्तर प्राप्त करने की अनुमति देता है, भले ही दुनिया के अंतर्निहित नियम अनिश्चित हों।

तकनीकी सारांश: CAUSALGUARD

समस्या विवरण (Problem Statement)

अवलोकनात्मक डेटा (observational data) से व्यक्तिगत उपचार प्रभावों (Conditional Average Treatment Effect, या CATE) का अनुमान लगाने के लिए एक वैध एडजस्टमेंट सेट (adjustment set) का चयन करना आवश्यक है जो कन्फाउंडिंग (confounding) को ब्लॉक कर सके। यह चयन अंतर्निlying कैज़ल डायरेक्टेड एसाइक्लिक ग्राफ (DAG) पर निर्भर करता है, जो व्यवहार में शायद ही कभी ज्ञात होता है।

ग्राफ मिसस्पेसिफिकेशन (Graph Misspecification): एक एकल, संभावित रूप से गलत ग्राफ पर भरोसा करने से अमान्य एडजस्टमेंट सेट (जैसे, कन्फाउंडर्स को छोड़ देना या कोलाइडर (colliders) के लिए एडजस्ट करना) मिल सकते हैं, जिससे आइडेंटिफिकेशन (identification) नष्ट हो सकता है या बायस (bias) उत्पन्न हो सकता है।
वर्तमान कॉन्फॉर्मल विधियों की सीमाएं: हालांकि कॉन्फॉर्मल इन्फरेंस (conformal inference) वितरण-मुक्त कवरेज गारंटी प्रदान करता है, मानक "ग्राफ-अग्नोस्टिक" रैपर्स अक्सर अमान्य होने पर वैध कवरेज प्रदान करने में विफल रहते हैं यदि अंतर्निlying एडजस्टमेंट सेट अमान्य है। इसके अलावा, कई ग्राफों से अंतराल (intervals) को कैलिब्रेशन के बाद औसत निकालने से 'जेन्सन गैप' (Jensen gap) उत्पन्न होता है, जिससे नाममात्र कवरेज प्राप्त करने के लिए अनावश्यक रूप से चौड़े अंतराल (बड़ा पैडिंग) मिलते हैं।

कार्यप्रणाली (Methodology): CAUSALGUARD

लेखक CAUSALGUARD का प्रस्ताव करते हैं, जो एक स्ट्रक्चर-वेटेड कॉन्फॉर्मल फ्रेमवर्क है जो ग्राफ अनिश्चितता को पोस्ट-हॉक त्रुटि स्रोत के रूप में मानने के बजाय सीधे कॉन्फॉर्मल कैलिब्रेशन प्रक्रिया में एकीकृत करता है। यह पाइपलाइन चार चरणों में आगे बढ़ती है:

1. प्रोबेबिलिस्टिक स्ट्रक्चरल प्रायर एलिसिटेशन (Probabilistic Structural Prior Elicitation)

एक निश्चित ग्राफ मानने के बजाय, यह विधि उम्मीदवार DAGs पर एक प्रपोजल डिस्ट्रीब्यूशन (proposal distribution) का निर्माण करती है:

LLM-व्युत्पन्न प्रायर (LLM-Derived Priors): डोमेन विवरणों के आधार पर एज प्रोबेबिलिटीज़ ( $P_{prior}(u \to v)$ ) का अनुमान लगाने के लिए एक प्री-ट्रेंड ऑटोरेग्रेसिव लैंग्वेज मॉडल को क्वेरी किया जाता है। ये एक प्रपोजल मैकेनिज्म के रूप में कार्य करते हैं, न कि गारंटीकृत सत्य के स्रोत के रूप में।
DAG सैंपलिंग: एसाइक्लिसिटी (acyclicity) सुनिश्चित करने के लिए टेम्पोरल मेटाडेटा (जैसे, उपचार परिणाम से पहले होता है) का सम्मान करते हुए उम्मीदवार DAGs को इस प्रायर से सैंपल किया जाता है।

2. सांख्यिकीय छंटाई और बेयसियन वेटिंग (Statistical Pruning and Bayesian Weighting)

कंडीशनल इंडिपेंडेंस (CI) प्रूनिंग: प्रशिक्षण डेटा ( $D_{train}$ ) पर कंडीशनल इंडिपेंडेंस के लिए फिशर के $z$ -टेस्ट का उपयोग करके स्प्यूरियस (spurious) किनारों को छाँटा जाता है।
BIC रीवेटिंग: शेष उम्मीदवार ग्राफों को स्ट्रक्चरल प्रायर के साथ बेयसियन इंफॉर्मेशन क्राइटेरियन (BIC) का उपयोग करके स्कोर किया जाता है। डुप्लिकेट एडजस्टमेंट रणनीतियों को संकुचित किया जाता है, और भार ( $w_k$ ) को अद्वितीय एडजस्टमेंट सेट्स के ऊपर एक पोस्टीरियर डिस्ट्रीब्यूशन बनाने के लिए सामान्यीकृत किया जाता है।

3. ग्राफ-कंडीशनल डॉबली रोबस्ट एस्टीमेशन (Graph-Conditional Doubly Robust Estimation)

प्रत्येक उम्मीदवार ग्राफ $G_k$ (और इसके निहित एडजस्टमेंट सेट $Z_k$ ) के लिए:

न्यूसेंस एस्टीमेशन (Nuisance Estimation): $D_{train}$ पर डॉबली रोबस्ट न्यूसेंस मॉडल (प्रोपेंसिटी स्कोर और आउटकम रिग्रेशन) फिट किए जाते हैं।
स्यूडो-आउटकम जनरेशन: ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW) स्यूडो-आउटकम्स ( $\tilde{Y}^{(k)}$ ) और ह्यूरिस्टिक बाउंड्स की गणना की जाती है।

4. स्ट्रक्चर-वेटेड कॉन्फॉर्मल कैलिब्रेशन (Structure-Weighted Conformal Calibration)

यह मुख्य नवाचार है। व्यक्तिगत ग्राफों को कैलिब्रेट करने और उनके परिणामों को औसत निकालने के बजाय, CAUSALGUARD:

पहले एकत्रित करता है (Aggregates First): यह BMA वेट्स का उपयोग करके ग्राफ-कंडीशनल एस्टीमेट्स को संयोजित करके एक पोस्टीरियर-वेटेड स्यूडो-आउटकम ( $\bar{\gamma}$ ) और एग्रीगेटेड बाउंड्स की गणना करता है।
कंपोजिट स्कोर: इस एग्रीगेटेड टारगेट पर एक एकल नॉन-कन्फॉर्मिटी स्कोर परिभाषित किया जाता है: $E_i = \max(\bar{q}_{low} - \bar{\gamma}_i, \bar{\gamma}_i - \bar{q}_{high})$ ।
कैलिब्रेशन: कॉन्फॉर्मल थ्रेशोल्ड $\hat{Q}$ को कैलिब्रेशन सेट ( $D_{cal}$ ) पर इन कंपोजिट स्कोर के वितरण से प्राप्त किया जाता है।
अंतिम अंतराल (Final Interval): आउटपुट अंतराल $\hat{C}(x) = [\bar{q}_{low}(x) - \hat{Q}, \bar{q}_{high}(x) + \hat{Q}]$ है।

मुख्य योगदान (Key Contributions)

स्ट्रक्चर-वेटेड कॉन्फॉर्मल इन्फरेंस: एक नवीन फ्रेमवर्क जो ग्राफ-कंडीशनल डॉबली रोबस्ट स्यूडो-आउटकम्स को एक पोस्टीरियर-वेटेड कंपोजिट स्कोर के माध्यम से एकत्रित करता है, जिससे स्ट्रक्चरल अनिश्चितता सीधे कैलिब्रेशन चरण में स्थानांतरित हो जाती है।
एग्रीगेट-बिफोर-कैलिब्रेट स्कोरिंग: यह सैद्धांतिक प्रमाण (प्रपोजिशन 1) कि सीधे एग्रीगेटेड टारगेट को कैलिब्रेट करने से वह जेन्सन गैप बच जाता है जो ग्राफ-विशिष्ट अंतरालों को औसत निकालने से उत्पन्न होता है, जिसके परिणामस्वरूप समान कवरेज गारंटी के लिए टाइटर (tighter) अंतराल मिलते हैं।
ग्राफ-एन्सेम्बल निर्माण: LLM-व्युत्पन्न एज प्रपोजल, CI-आधारित प्रूनिंग और BIC रीवेटिंग को संयोजित करने वाली एक व्यावहारिक प्रक्रिया। LLM प्रायर एक फाइनाइट-सैंपल प्रपोजल डिस्ट्रीब्यूशन के रूप में कार्य करता है, जबकि डेटा लाइक्लीहुड (BIC के माध्यम से) सैंपल साइज बढ़ने के साथ हावी हो जाता है।
सैद्धांतिक गारंटी:
- फाइनाइट-सैंपल वैधता: थ्योरम 1 एक्सचेंजेबिलिटी के तहत एग्रीगेटेड स्यूडो-आउटकम ( $\bar{\gamma}$ ) के लिए डिस्ट्रीब्यूशन-फ्री मार्जिनल कवरेज स्थापित करता है, बिना यह माने कि कोई भी उम्मीदवार ग्राफ सही है।
- एसिम्प्टोटिक कंसिस्टेंसी: कोरोलरी 2 दर्शाता है कि कॉज़ल आइडेंटिफिकेशन, ओवरलैप, न्यूसेंस स्टेबिलिटी और वैध रणनीतियों पर स्कोर कंसंट्रेशन के तहत, एग्रीगेटेड टारगेट का कंडीशनल मीन वास्तविक CATE की ओर अभिसरित (converge) होता है।

अनुभवजन्य परिणाम (Empirical Results)

विधि का मूल्यांकन 10 रैंडम सीड्स के साथ पांच बेंचमार्क (IHDP, Sachs, ACIC2019, Jobs, Twins) पर किया गया।

कवरेज: CAUSALGUARD ने सीधे मूल्यांकन योग्य टारगेट (IHDP/Twins पर वास्तविक CATE; अन्य पर वेटेड स्यूडो-आउटकम) के लिए नाममात्र 90% स्तर से ऊपर निरंतर औसत कवरेज प्राप्त किया।
दक्षता (Efficiency): विधि ने ग्राफ-अग्नोस्टिक कॉन्फॉर्मल बेसलाइन्स (जैसे, कॉन्फॉर्मल कॉज़ल फॉरेस्ट, कॉन्फॉर्मल नेटिव DR) की तुलना में अंतराल की चौड़ाई को काफी कम कर दिया, विशेष रूप से उन डेटासेट्स में जहाँ एडजस्टमेंट-सेट अनिश्चितता अक्षमता (inefficiency) का कारण बनती है (जैसे, IHDP और Jobs)।
अमान्य एडजस्टमेंट के प्रति मजबूती: कोलाइडर वेरिएबल को इंजेक्ट करने वाले स्ट्रेस टेस्ट से पता चला कि CAUSALGUARD ने (टेम्पोरल मेटाडेटा और CI प्रूनिंग के माध्यम से) अमान्य कोलाइडर एडजस्टमेंट्स को सफलतापूर्वक दबा दिया, जिससे उच्च कवरेज और कम RMSE बना रहा, जबकि नेटिव बेसलाइन्स गंभीर अंडर-कवरेज का शिकार हुए।
प्रायर संवेदनशीलता: लो-डेटा रिजीम में, LLM प्रायर सर्च को व्यवस्थित करने में मदद करता है। हालांकि, जैसे-जैसे सैंपल साइज बढ़ता है, BIC वेटिंग के कारण प्रायर "वॉश आउट" हो जाता है, जिससे अंतिम अंतराल अधिक डेटा-संचालित हो जाता है। विधि सूचनात्मक डेटा होने पर भी एडवरसेरियल या अनइंफॉर्मेटिव प्रायर के तहत स्थिर रहती है।

महत्व और दावे (Significance and Claims)

यह पेपर CAUSALGUARD को ग्राफ संरचना की अनिश्चितता और वैध कॉज़ल एडजस्टमेंट की आवश्यकता के बीच के तनाव के समाधान के रूप में प्रस्तुत करता है।

पैराडाइम में बदलाव: यह "एक सबसे अच्छा ग्राफ चुनने" या "वर्स्ट-केस अनिश्चितता के लिए पैडिंग करने" से हटकर है। इसके बजाय, यह एडजस्टमेंट सेट को अनिश्चित मानता है और इस अनिश्चितता को अंतराल निर्माण के माध्यम से प्रसारित करता है।
व्यावहारिक उपयोगिता: यह विधि तब सबसे प्रभावी होती है जब अंतराल का फैलाव (inflation) अपरिहार्य आउटकम नॉइज़ के बजाय एडजस्टमेंट विकल्पों की अनिश्चितता द्वारा संचालित होता है। यह फाइनाइट-सैंपल सर्च के लिए सिमेंटिक प्रायर (LLMs) का लाभ उठाने का एक तरीका प्रदान करती है, जबकि डेटा-संचालित रीवेटिंग के माध्यम से एसिम्प्टोटिक वैधता सुनिश्चित करती है।
सीमाएं: लेखक नोट करते हैं कि विधि मानती है कि कॉज़ल सफिशिएंसी (causal sufficiency) मौजूद है और वर्तमान में उम्मीदवार जनरेशन की कॉम्बिनेटोरियल प्रकृति के कारण मध्यम ग्राफ साइज तक सीमित है। यह एग्रीगेटेड स्यूडो-आउटकम के लिए कवरेज की गारंटी देती है; वास्तविक CATE की ओर अभिसरण (convergence) टारगेट एलाइनमेंट और न्यूसेंस स्टेबिलिटी के संबंध में अतिरिक्त धारणाओं पर निर्भर करता है।

संक्षेप में, CAUSALGUARD ग्राफ अनिश्चितता के तहत उपचार प्रभाव अनुमान के लिए एक डिस्ट्रीब्यूशन-फ्री, फाइनाइट-सैंपल वैध दृष्टिकोण प्रदान करता है, जो ग्राफ-विशिष्ट अंतरालों को औसत निकालने के बजाय एक स्ट्रक्चर-वेटेड टारगेट को कैलिब्रेट करके ग्राफ-अग्नोस्टिक विधियों की तुलना में टाइटर अंतराल प्राप्त करता है।