📊 statistics

Causal Density Functions

यह शोध पत्र कॉज़ल डेंसिटी फंक्शन्स (causal density functions) को रेडॉन-निकोडिम डेरिवेटिव्स (Radon-Nikodym derivatives) के रूप में प्रस्तुत करता है जो अवलोकन संबंधी और हस्तक्षेप संबंधी वितरणों के बीच बिंदुवार माप परिवर्तन (pointwise change of measure) को परिमाणित करते हैं, जिससे एक परीक्षण योग्य रीवेटिंग पहचान (reweighting identity) के माध्यम से निर्देशित कारण प्रभावों के अनुमान, अंशांकन और स्कोरिंग को सक्षम बनाया जा सके।

मूल लेखक: Sridhar Mahadevan

प्रकाशित 2026-06-02

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sridhar Mahadevan

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 "Causal Density Functions" (कारण घनत्व फलन) के शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

मुख्य विचार: एक बदलाव के "भार" (Weight) को मापना

कल्पना कीजिए कि आप एक बेकर (bakery चलाने वाले) हैं। आपके पास एक रेसिपी (Observational Law - अवलोकन संबंधी नियम) है जो आपको बताती है कि सामान्य रूप से बेक करने पर आपके कुकीज़ कैसे बनेंगे। कभी-कभी, आप यह जानना चाहते हैं कि यदि आप रेसिपी बदल दें—जैसे कि आप अतिरिक्त चॉकलेट चिप्स डालें या उन्हें उच्च तापमान पर बेक करें—तो क्या होगा। यह एक Intervention (हस्तक्षेप) है।

आमतौर पर, बदलाव के परिणाम को जानने के लिए, आपको कुकीज़ का एक नया बैच बनाना पड़ता है (एक नया प्रयोग चलाना पड़ता है)। लेकिन क्या होगा अगर आप अपने पुराने कुकीज़ के बैच को देखकर ही यह पता लगा सकें कि नई रेसिपी उन्हें बिल्कुल कैसे बदल देती, बिना कुछ नया बेक किए?

यह शोध पत्र एक गणितीय उपकरण पेश करता है जिसे Causal Density Function (कारण घनत्व फलन) कहा जाता है। इसे एक "बदली हुई रेसिपी का मानचित्र" (Change-of-Recipe Map) समझें।

मूल अवधारणा: "घनत्व अनुपात" (Density Ratio)

सांख्यिकी (Statistics) में, हम अक्सर "प्रायिकता द्रव्यमान" (probability mass) की चर्चा रेत के ढेर की तरह करते हैं।

Observational Law (अवलोकन संबंधी नियम): जब आप कुछ नहीं करते (बस दुनिया को देखते हैं), तो रेत के ढेर का आकार।
Interventional Law (हस्तक्षेप संबंधी नियम): यदि आप कोई बदलाव करने के लिए मजबूर करते हैं (जैसे मशीन का नॉब घुमाना), तो रेत के ढेर का आकार।

पेपर पूछता है: हम "अवलोकन संबंधी रेत के ढेर" को "हस्तक्षेप संबंधी रेत के ढेर" में कैसे बदल सकते हैं?

इसका उत्तर है Causal Density Function (कारण घनत्व फलन), जिसे $\rho$ द्वारा दर्शाया गया है। यह डेटा के हर एक बिंदु को दिया गया एक नंबर है।

यदि नंबर 1 से अधिक है, तो इसका मतलब है कि वह विशिष्ट परिदृश्य नए हस्तक्षेप के तहत अधिक संभावित हो जाता है।
यदि नंबर 1 से कम है, तो इसका मतलब है कि वह परिदृश्य कम संभावित हो जाता है।
यदि यह 1 है, तो उस परिदृश्य के लिए कुछ भी नहीं बदलता।

जादुई सूत्र:
यह पेपर एक सरल नियम सिद्ध करता है: यदि आप अपने पुराने डेटा को लें, प्रत्येक डेटा बिंदु को इस "बदली हुई रेसिपी के मानचित्र" ( $\rho$ ) से गुणा करें, और फिर परिणामों का औसत निकालें, तो आपको ठीक वही उत्तर मिलेगा जो आपको तब मिलता जब आपने वास्तव में प्रयोग किया होता।

सादृश्य (Analogy): कल्पना कीजिए कि आपके पास लोगों की भीड़ की एक फोटो है (Observational)। आप जानना चाहते हैं कि भीड़ कैसी दिखेगी यदि 6 फीट से ऊंचे सभी लोग चले जाएं (Intervention)। फोटो से लोगों को हटाने के बजाय, आप हर व्यक्ति को एक "भार" (weight) दे सकते हैं। यदि वे लंबे हैं, तो उनका भार 0 है। यदि वे छोटे हैं, तो उनका भार 1 है। यदि आप इन भारों का उपयोग करके औसत ऊंचाई की गणना करते हैं, तो आपको उन लोगों के बाद की सटीक ऊंचाई मिल जाएगी जो लंबे थे।

यह पुराने तरीकों से बेहतर क्यों है?

कारण और प्रभाव को मापने के पुराने तरीके पूरी फोटो को देखने जैसे थे और यह कहना कि, "यह फोटो उस दूसरी फोटो से बहुत अलग दिखती है।" उन्होंने दोनों समूहों के बीच के कुल अंतर को मापा।

यह नया तरीका फोटो में व्यक्तिगत लोगों को देखने जैसा है। यह कहता है, "यह विशिष्ट व्यक्ति अब यहाँ होने की 20% अधिक संभावना रखता है, लेकिन वह व्यक्ति यहाँ होने की 50% कम संभावना रखता है।"

यह निम्नलिखित कार्यों की अनुमति देता है:

स्थानीय संवेदनशीलता (Local Sensitivity): यह आपको बताता है कि बदलाव कहाँ होता है, न कि केवल यह कि एक बदलाव हुआ है।
कैलिब्रेशन (सत्य की जाँच - The "Truth Test"): पेपर एक तरीका प्रदान करता है जिससे आप जाँच सकते हैं कि आपका मानचित्र सही है या नहीं। यदि आप अपने मानचित्र का उपयोग करके पुराने डेटा को पुन: भारित (re-weight) करते हैं, और परिणाम वास्तविक प्रयोगात्मक डेटा से मेल खाता है, तो आपका मानचित्र अच्छा है। यदि यह मेल नहीं खाता, तो मानचित्र खराब है (आमतौर पर इसलिए क्योंकि दोनों डेटा समूह तुलना करने के लिए बहुत भिन्न थे)।

"कैटेगोरिकल" भाग (जटिल गणित)

यह पेपर यह समझाने के लिए कि यह क्यों काम करता है, केटेगरी थ्योरी (विशेष रूप से "Kan Extensions") नामक उन्नत गणित का उपयोग करता है।

Right Kan Extension (Conditioning - अनुकूलन): इसे "पीछे देखने" के रूप में सोचें। यह इस बारे में है कि हम जो देखते हैं उसके आधार पर अपने विश्वासों को कैसे अपडेट करते हैं (जैसे, "चूँकि बारिश हो रही है, इसलिए मुझे छाता लाना चाहिए")।
Left Kan Extension (Intervention - हस्तक्षेप): इसे "आगे धकेलने" के रूप में सोचें। यह यह है कि हम कैसे एक बदलाव लाते हैं (जैसे, "मैं स्प्रिंकलर चालू करूँगा, इसलिए घास गीली हो जाएगी")।

पेपर तर्क देता है कि ये दोनों क्रियाएं एक ही सिक्के के दो पहलू हैं। "Causal Density Function" वह सेतु है जो पीछे देखने (अवलोकन) और आगे धकेलने (हस्तक्षेप) को जोड़ता है। यह कारण-और-प्रभाव के परिवर्तन को एक अचानक, अव्यवस्थित टूट के बजाय एक सुचारू, गणितीय प्रवाह के रूप में मानता है।

उन्होंने क्या परीक्षण किया (प्रयोग)

लेखकों ने इस विचार का तीन प्रकार की समस्याओं पर परीक्षण किया:

प्रोटीन सिग्नलिंग (Sachs Dataset): उन्होंने देखा कि प्रतिरक्षा कोशिकाओं (immune cells) में प्रोटीन एक-दूसरे से कैसे बात करते हैं। उन्होंने पाया कि उनके "बदली हुई रेसिपी के मानचित्र" ने ज्ञात जैविक पथों (जैसे प्रोटीन A द्वारा प्रोटीन B को सक्रिय करना) की सफलतापूर्वक पहचान की और वास्तविक कारणों और यादृच्छिक शोर (random noise) के बीच अंतर कर सका।
आर्थिक डेटा (PISA): उन्होंने विभिन्न देशों में छात्रों के टेस्ट स्कोर में कारणों को खोजने की कोशिश की। यहाँ, यह विधि एक दीवार से टकरा गई। क्योंकि देश एक-दूसरे से इतने अलग थे (अलग संस्कृतियाँ, अर्थव्यवस्थाएँ), "बदली हुई रेसिपी का मानचित्र" उन्हें जोड़ने के लिए पर्याप्त रूप से नहीं फैल सका। गणित ने सही संकेत दिया, "मैं इस मानचित्र पर भरोसा नहीं कर सकता क्योंकि समूह बहुत भिन्न हैं।"
सिंथेटिक चेन (Synthetic Chains): उन्होंने एक नकली दुनिया बनाई जहाँ चर (variables) एक रेखा में जुड़े हुए थे (A $\to$ B $\to$ C)। विधि ने रेखा की दिशा को सफलतापूर्वक खोज लिया, जिससे सिद्ध हुआ कि यह साफ डेटा (clean data) होने पर काम करता है।

निष्कर्ष

यह पेपर कारण और प्रभाव को मापने का एक नया तरीका प्रस्तावित करता है। दो बड़े, धुंधले डेटा क्लाउड की तुलना करने के बजाय, यह एक विस्तृत, बिंदु-दर-बिंदु मानचित्र बनाता है जो दिखाता है कि एक हस्तक्षेप घटनाओं की प्रायिकता को कैसे बदल देता है।

यह परीक्षण योग्य है: आप यह जाँच सकते हैं कि क्या आपका मानचित्र काम करता है या नहीं, यह देखकर कि क्या यह प्रयोगात्मक परिणामों की भविष्यवाणी करता है।
यह स्थानीय है: यह बताता है कि कौन से विशिष्ट परिदृश्य बदलते हैं, न कि केवल औसत।
यह ईमानदार है: यदि डेटा तुलना करने के लिए बहुत अलग है (जैसे सेब की तुलना संतरे से करना), तो विधि का "कैलिब्रेशन एरर" उच्च होगा, जो आपको परिणामों पर भरोसा न करने की चेतावनी देगा।

लेखक निष्कर्ष निकालते हैं कि जबकि यह विधि साफ डेटा में कारण संबंधों को खोजने के लिए शक्तिशाली है, इसे संघर्ष करना पड़ता है जब तुलना किए जा रहे समूह अपनी प्रकृति में बहुत दूर होते हैं।

तकनीकी सारांश: कॉज़ल डेंसिटी फंक्शन्स (Causal Density Functions)

समस्या विवरण (Problem Statement)

कॉज़ल इन्फरेंस (Causal inference) पारंपरिक रूप से "ग्राफ सर्जरी" (जैसे कि एज डिलीशन) के बाद संपूर्ण वितरणों की तुलना करने या क्लालबैक-लीब्लर (KL) डाइवर्जेंस जैसे वैश्विक कॉज़ल स्ट्रेंथ मापों को अनुमानित करने पर ध्यान केंद्रित करता है। हालांकि ये वैश्विक तुलनाओं के लिए प्रभावी हैं, लेकिन इन दृष्टिकोणों में अक्सर एक स्थानीय, डिफरेंशिएबल (differentiable) ऑब्जेक्ट की कमी होती है जो यह वर्णन कर सके कि पॉइंटवाइज लेवल पर ऑब्जर्वेशनल (observational) प्रोबेबिलिटी मास को इंटरवेंशनल (interventional) प्रोबेबिलिटी मास में कैसे ट्रांसपोर्ट किया जाता है। इसके अलावा, मौजूदा विधियाँ अक्सर डिस्क्रीट ग्राफ ऑपरेशन्स या ग्लोबल ऑप्टिमाइज़ेशन ऑब्जेक्ट्स पर निर्भर करती हैं जो जटिल, मल्टी-रेजीम सेटिंग्स में कंटीन्यूअस, सॉफ्ट इंटरवेंशन या ग्रेडिएंट-बेस्ड लर्निंग के साथ संगत नहीं हो सकती हैं।

यह शोध पत्र यह प्रतिपादित करता है कि कॉज़ल इन्फरेंस में मौलिक विश्लेषणात्मक प्रश्न क्या है: वह डेंसिटी-लाइक ऑब्जेक्ट क्या है जो ऑब्जर्वेशनल प्रोबेबिलिटी मास को इंटरवेंशनल प्रोबेबिलिटी मास में ट्रांसपोर्ट करता है?

कार्यप्रणाली: कॉज़ल डेंसिटी फंक्शन्स और कान-डू कैलकुलस (Kan–Do Calculus)

मुख्य प्रस्ताव कॉज़ल डेंसिटी फंक्शन्स की परिभाषा है, जो इंटरवेंशनल लॉ और ऑब्जर्वेशनल लॉ की तुलना करने वाले रेडोन-निकोडिम (Radon–Nikodym/RN) डेरिवेटिव्स हैं।

1. परिभाषा और कैलिब्रेशन (Definition and Calibration)

एक वेरिएबल $X_i$ पर हस्तक्षेप (intervention) के लिए, कॉज़ल डेंसिटी फंक्शन $\rho_i(z)$ को इस प्रकार परिभाषित किया गया है:
$\rho_i(z) = \frac{dP_{do(X_i)}}{dP_{obs}}(z)$
बशर्ते कि इंटरवेंशनल लॉ $P_{do(X_i)}$ , ऑब्जर्वेशनल लॉ $P_{obs}$ के सापेक्ष एब्सोल्यूटली कंटीन्यूअस (absolutely continuous) हो।

यह परिभाषा एक मौलिक कैलिब्रेशन आइडेंटिटी ("RN calibration identity") प्रदान करती है:
$E_{do(X_i)}[f(Y)] = E_{obs}[f(Y)\rho_i(Z)]$
यह आइडेंटिटी एक सैद्धांतिक परिभाषा और एक एम्पिरिकल डायग्नोस्टिक (empirical diagnostic) दोनों के रूप में कार्य करती है। यदि अनुमानित डेंसिटी रेशियो $\hat{\rho}$ सही है, तो ऑब्जर्वेशनल एक्सपेक्टेशंस को $\hat{\rho}$ द्वारा रीवेट (reweight) करने से इंटरवेंशनल एक्सपेक्टेशंस को पुन: उत्पन्न करना चाहिए।

2. कैटेगोरिकल सिमेंटिक्स (Categorical Semantics: Kan–Do Calculus)

यह शोध पत्र कान एक्सटेंशन (Kan extensions) का उपयोग करके इन अवधारणाओं के लिए एक कैटेगोरिकल फाउंडेशन प्रदान करता है:

कंडीशनिंग (Conditioning) को एक राइट कान एक्सटेंशन (एक कंजर्वेटिव, लिमिट-प्रिजर्विंग ऑपरेशन) के रूप में वर्णित किया गया है।
इंटरवेंशन (Intervention) को एक लेफ्ट कान एक्सटेंशन (एक जेनेरेटिव, कोलिमिट-लाइक पुशफॉरवर्ड) के रूप में वर्णित किया गया है।
रेडोन-निकोडिम डेरिवेटिव उस अद्वितीय नेचुरल ट्रांसफॉर्मेशन के रूप में उभरता है जो इन एक्सटेंशन के एडजॉइंट ट्रिपल (adjoint triple) को मध्यस्थ बनाता है।

यह ढांचा, जिसे कान-डू कैलकुलस (Kan–Do Calculus) कहा जाता है, कंडीशनिंग और इंटरवेंशन को संगत यूनिवर्सल ऑपरेशन्स के रूप में एकीकृत करता है। यह पिछले "जुडो कैलकुलस" (Judo Calculus) का सामान्यीकरण करता है, जो स्पष्ट रूप से मेज़र-थ्योरेटिक RN डेरिवेटिव्स को शामिल करता है और एक द्वैत (duality) स्थापित करता है जहाँ RN डेंसिटी, ऑब्जर्वेशनल और इंटरवेंशनल मेजर्स के बीच कैनोनिकल डिफरेंशियल है।

3. एस्टीमेशन और स्कोरिंग (Estimation and Scoring)

लेखक इन डेंसिटीज को अनुमानित करने और कॉज़ल डिस्कवरी के लिए उपयोग करने हेतु एक व्यावहारिक पाइपलाइन का प्रस्ताव करते हैं:

डेंसिटी एस्टीमेशन (Density Estimation): एक साझा सपोर्ट पर नॉर्मलाइजिंग फ्लोज़ या डेंसिटी-रेशियो मॉडल्स का उपयोग करके $P_{obs}$ और $P_{do(X_i)}$ का अनुमान लगाना, और फिर $\hat{\rho}(z) = \exp(\log \hat{p}_{do}(z) - \log \hat{p}_{obs}(z))$ की गणना करना।
कैलिब्रेशन (Calibration): मोमेंट गैप $\Delta_f = |E_{obs}[f(Z)\hat{\rho}(Z)] - E_{do}[f(Z)]|$ को मापकर अनुमानों को वैलिडेट करना। बड़े गैप खराब रेजीम ओवरलैप या एस्टीमेशन विफलता का संकेत देते हैं।
डू-कर्व्स (Do-curves): ऑब्जर्वेशनल सैंपल्स को रीवेट करके रिस्पॉन्स कर्व्स $x \mapsto E[Y | do(X_i=x)]$ का अनुमान लगाना।
डायरेक्टेड एज स्कोरिंग (Directed Edge Scoring): एक पेयरवाइज स्कोर $s_{ij}$ को $\rho_i$ द्वारा वेटिंग के बाद $X_j$ के रेसिड्यूल वेरिएंस को रैंक करने के लिए परिभाषित किया गया है:
$s_{ij} = E_{obs}\left[ \frac{\hat{\rho}_i(Z)(X_j - \hat{E}[X_j|X_i])^2}{\text{Var}(X_j)} \right]$
कम स्कोर मजबूत कॉज़ल सपोर्ट को दर्शाता है।
शीफ कोहेरेंस (Sheaf Coherence): मल्टीपल रेजीम्स को संभालने के लिए, यह विधि विभिन्न एनवायरनमेंट्स में मैक्सिमम मीन डिसक्रीपेंसी (MMD) पर आधारित एक स्टेबिलिटी पेनल्टी को शामिल करती है, जिससे यह सुनिश्चित होता है कि अनुमानित स्ट्रक्चर विभिन्न परटर्बेशन रेजीम्स के बीच सुसंगत (coherent) है।

मुख्य योगदान (Key Contributions)

कॉज़ल डेंसिटी फंक्शन्स की परिभाषा: यह पेपर कॉज़ल इफेक्ट्स को स्थानीय रूप से RN रेशियो ( $dP_{do}/dP_{obs}$ ) के माध्यम से परिभाषित करता है, जो इसे ग्राफ डिलीशन या होल-डिस्ट्रीब्यूशन डाइवर्जेंस पर आधारित वैश्विक कॉज़ल स्ट्रेंथ उपायों से अलग करता है।
कैलिब्रेशन और स्कोरिंग के लिए एस्टिमेटर्स: यह कॉज़ल-डेंसिटी कैलिब्रेशन, डू-कर्व्स और डायरेक्टेड एज स्कोर के लिए व्यावहारिक एस्टिमेटर्स निकालता है, और इस बात पर जोर देता है कि प्राथमिक एस्टिमेंड (estimand) स्वयं डेंसिटी रेशियो है, न कि केवल एक डाउनस्ट्रीम ग्राफ।
RN–Kan सिमेंटिक्स: यह कंडीशनिंग, इंटरवेंशन और मेजर चेंज को कान एक्सटेंशन के रूप में समझाने के लिए एक संक्षिप्त कैटेगोरिकल सिमेंटिक्स प्रदान करता है, बिना यह दावा किए कि कैटेगरी थ्योरी ही एकमात्र एम्पिरिकल क्लेम है।
एम्पिरिकल इवैल्यूएशन: इस ढांचे का मूल्यांकन ज्ञात ग्राउंड ट्रुथ वाले सिंथेटिक सिस्टम और वास्तविक परटर्बेशन डेटासेट्स (Sachs प्रोटीन सिग्नलिंग, LINCS, PISA) पर किया गया है, जिसमें सफल रिकवरी और विफलता मोड दोनों का विश्लेषण किया गया है।

प्रयोगात्मक परिणाम (Experimental Results)

पेपर विभिन्न डोमेन में एस्टिमेटर्स का मूल्यांकन करता है:

सिंथेटिक गौसियन सिस्टम (Synthetic Gaussian Systems): कॉज़ल डेंसिटी अनुमान लगभग सटीक हैं, जिसमें RN कैलिब्रेशन गैप शून्य के करीब ( $\approx 0.001$ ) है, जो चेंज-ऑफ-मेजर और कान एक्सटेंशन की सैद्धांतिक अनुकूलता की पुष्टि करता है।
सैक्स प्रोटीन सिग्नलिंग (Sachs Protein Signaling - S9): विधि जैविक रूप से सार्थक दिशाओं (जैसे PKC→P38, Raf→MEK) को छोटे कैलिब्रेशन एरर ( $\approx 0.01$ ) के साथ रिकवर करती है। जबकि पेयरवाइज स्कोरर अकेले एक डेंस ग्राफ देता है (SHD=30), शीफ-कोहेरेंस पेनल्टी और मल्टीवेरिएट रिग्रेशन जोड़ने से स्ट्रक्चर में सुधार होकर SHD=16 हो जाता है।
LINCS L1000 पैनल: इस अत्यधिक परटर्बड बायोलॉजिकल सेटिंग में, कैलिब्रेशन गैप बढ़ जाता है ( $\approx 0.12$ ), जो तीव्र रेजीम विषमता (heterogeneity) को दर्शाता है। हालांकि, यह विधि अभी भी स्पार्स, स्टेबल ड्राइवर जीन (जैसे HSPA8→CDC25B) की पहचान करती है और स्मूथ डू-कर्व्स बनाती है।
PISA 2022 सोशियो-इकोनॉमिक डेटा: क्रॉस-कंट्री रेजीम्स के लिए एक स्ट्रेस टेस्ट के रूप में उपयोग किया गया। हालांकि इसमें प्लेसिबल सोशियो-इकोनॉमिक स्ट्रक्चर रिकवर किए गए, लेकिन विधि बड़े कैलिब्रेशन गैप ( $\Delta \approx 4.0$ ) प्रदर्शित करती है, जो अत्यधिक क्रॉस-कंट्री विषमता के कारण है, जो अपेक्षित फेलियर मोड को दर्शाता है।
मल्टी-रेजीम चेन (Multi-Regime Chain): एक सिंथेटिक चेन $X_1 \to \dots \to X_8$ के साथ सॉफ्ट इंटरवेंशन में, डेंसिटी फील्ड सही दिशात्मक बैंड्स की पहचान करता है, हालांकि परफेक्ट ग्राफ रिकवरी के लिए पैरेंट सिलेक्शन अभी भी एक सीमित कारक बना हुआ है (SHD=8, F1=0.33)।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि कॉज़ल डेंसिटी फंक्शन्स वैश्विक कॉज़ल स्ट्रेंथ उपायों की तुलना में अधिक ग्रैनुलर, डिफरेंशिएबल और स्थानीय रूप से व्याख्या योग्य विकल्प प्रदान करते हैं। इंटरवेंशन को लेफ्ट कान एक्सटेंशन और कंडीशनिंग को राइट कान एक्सटेंशन के रूप में फ्रेम करके, यह कार्य कॉज़ल इन्फरेंस के लिए एक सार्वभौमिक गणितीय सिमेंटिक्स प्रदान करता है जो स्वाभाविक रूप से सॉफ्ट इंटरवेंशन और कंटीन्यूअस पैरामीटर्स को समाहित करता है।

लेखक इस बात पर जोर देते हैं कि कैलिब्रेशन आइडेंटिटी सबसे महत्वपूर्ण डायग्नोस्टिक है: यह शोधकर्ताओं को सत्यापित करने की अनुमति देता है कि क्या एक अनुमानित डेंसिटी रेशियो वास्तव में ऑब्जर्वेशनल एक्सपेक्टेशंस को इंटरवेंशनल एक्सपेक्टेशंस में ट्रांसपोर्ट करता है। पेपर विनम्रतापूर्वक नोट करता है कि हालांकि पेयरवाइज एज स्कोरर शुद्ध स्ट्रक्चर रिकवरी के लिए NOTEARS या DCDI जैसे परिपक्व ग्राफ-ऑप्टिमाइज़ेशन मेथड्स के साथ प्रतिस्पर्धा करने में अभी भी सक्षम नहीं है, लेकिन प्राथमिक योगदान स्वयं कॉज़ल डेंसिटी का एस्टीमेशन और कैलिब्रेशन है। इस ढांचे को एक ऐसे स्केलेबल, मल्टी-रेजीम कॉज़ल डिस्कवरी की ओर एक कदम के रूप में प्रस्तुत किया गया है जहाँ लोकल डेंसिटी रेशियो को ग्लोबल कंसिस्टेंट कॉज़ल मॉडल्स बनाने के लिए शीफ कोहेरेंस के माध्यम से जोड़ा जाता है।

यह कार्य यह दावा करने से बचता है कि यह सभी कॉज़ल डिस्कवरी समस्याओं को हल कर देगा, बल्कि यह इस बात पर प्रकाश डालता है कि यह विधि अच्छे रेजीम ओवरलैप के तहत सबसे विश्वसनीय है और रेजीम डाइवर्जेंस बढ़ने के साथ अनुमानित रूप से घटती है, जो कि RN कैलिब्रेशन गैप्स द्वारा स्पष्ट रूप से कैप्चर किया गया व्यवहार है।