📊 statistics

EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning

यह शोध पत्र EML-CD का प्रस्ताव करता है, जो एक कॉज़ल डिस्कवरी फ्रेमवर्क है जो DAG संरचनाओं को सीखने और व्याख्यात्मक, क्लोज्ड-फॉर्म कॉज़ल मैकेनिज्म को रिकवर करने के लिए EML सिम्बॉलिक ट्रीज़ को एकीकृत करता है, जो वास्तविक और सिंथेटिक डेटासेट पर मौजूदा बेसलाइन्स की तुलना में प्रतिस्पर्धी स्ट्रक्चरल सटीकता और श्रेष्ठ मैकेनिज्म रिकवरी प्रदर्शित करता है।

मूल लेखक: Sota Asanuma

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sota Asanuma

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 जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं: एक जटिल प्रणाली में कौन किसका प्रभाव डाल रहा है? यह आपके शरीर में प्रोटीन का एक नेटवर्क हो सकता है, या भौतिकी के प्रयोग में वेरिएबल्स (variables) का एक सेट।

लंबे समय से, आधुनिक "AI जासूस" (न्यूरल नेटवर्क) कनेक्शनों का मानचित्र (संरचना/structure) बनाने में बहुत अच्छे रहे हैं। वे बता सकते हैं, "हाँ, प्रोटीन A प्रोटीन B को प्रभावित करता है।" लेकिन वे कैसे (how) को समझाने में बहुत खराब हैं। वे संबंध को एक "ब्लैक बॉक्स" की तरह मानते हैं। आप जानते हैं कि दरवाजा खुला है, लेकिन आप अंदर चलते हुए गियर को नहीं देख सकते।

एक पिछले अध्ययन ने एक बड़ी खामी की ओर इशारा किया: ब्लैक बॉक्स से "कैसे" को रिवर्स-इंजीनियर करने की कोशिश करना वैसा ही है जैसे अंतिम सूप को चखकर उसकी गुप्त रेसिपी का अनुमान लगाना; यह सुनिश्चित करने के लिए गणितीय रूप से असंभव है कि आपने इसे सही पकड़ा है।

एंट्री EML-CD। यह पेपर एक नया जासूसी उपकरण पेश करता है जो न केवल मानचित्र बनाता है; बल्कि यह हर कनेक्शन के लिए सटीक रेसिपी भी लिखता है।

मुख्य विचार: "लेगो" (Lego) मशीन

लेखक एक विशेष गणितीय उपकरण का उपयोग करते हैं जिसे EML ऑपरेटर कहा जाता है। इसे एक विशेष, जादुई लेगो ब्रिक (Lego brick) के रूप में समझें।

आप एक नया आकार बनाने के लिए दो ब्रिक्स को एक साथ जोड़ सकते हैं।
इन ब्रिक्स को एक विशिष्ट पेड़ जैसी संरचना (tree-like structure) में स्टैक करके, आप कोई भी मानक गणितीय फलन (जैसे किसी संख्या का वर्ग करना, वर्गमूल लेना, या साइन वेव्स का उपयोग करना) बना सकते हैं।

AI को एक विशाल, अनसुलझे ब्लैक बॉक्स के रूप में उत्तर बनाने देने के बजाय, EML-CD AI को केवल इन विशिष्ट, समझने योग्य लेगो ब्रिक्स का उपयोग करके अपने उत्तर बनाने के लिए मजबूर करता है।

यह कैसे काम करता है (दो-चरणीय नृत्य)

यह विधि दो चरणों में काम करती है, एक दो-चरणीय नृत्य की तरह:

अभ्यास रन (Pre-training): सिस्टम प्रत्येक संभावित वेरिएबल के जोड़े (जैसे, प्रोटीन A और प्रोटीन B) को देखता है और B की भविष्यवाणी करने के लिए सबसे अच्छा संभव "लेगो मशीन" बनाने की कोशिश करता है। यह संबंध के आकार को सीखता है।
अंतिम मानचित्र (Greedy Construction): यह उन सभी अभ्यास रन को लेता है और अंतिम मानचित्र बनाता है। यह सबसे मजबूत कनेक्शनों को चुनता है, यह सुनिश्चित करता है कि कोई लूप न हो (A के कारण B होता है, B के कारण C होता है, लेकिन C के कारण A नहीं होता), और कमजोर कड़ियों को हटा देता है।

जादुई ट्रिक: क्योंकि मशीन "लेगो ब्रिक्स" (EML ट्री) से बनी है, इसलिए अंतिम परिणाम ब्लैक बॉक्स नहीं है। यह एक क्लोज्ड-फॉर्म इक्वेशन (closed-form equation) निकाल कर देता है।

पुराना तरीका: "प्रोटीन A, प्रोटीन B को प्रभावित करता है।" (कहानी समाप्त)।
EML-CD का तरीका: "प्रोटीन A, प्रोटीन B को इस विशिष्ट सूत्र द्वारा प्रभावित करता है: $B = A$ और स्थिरांकों (constants) के मिश्रण का एक जटिल रूप।"

उन्होंने क्या पाया?

लेखकों ने तीन अलग-अलग "रहस्यमय मामलों" पर इसका परीक्षण किया:

1. वास्तविक दुनिया का परीक्षण (Sachs Protein Data)
उन्होंने सेल सिग्नलिंग में शामिल 11 प्रोटीनों के एक वास्तविक डेटासेट पर इसका परीक्षण किया।

परिणाम: EML-CD मौजूदा सर्वोत्तम तरीकों की तरह ही सही मानचित्र बनाने में सक्षम था।
बोनस: अन्य तरीकों के विपरीत, इसने उन्हें कनेक्शनों के लिए वास्तविक समीकरण दिए। उदाहरण के लिए, इसने पाया कि दो प्रोटीनों के बीच का संबंध केवल एक सीधी रेखा नहीं था; यह एक वक्र (curve) था जो प्रोटीन के स्तर के आधार पर व्यवहार बदलता था। यह ऐसा है जैसे यह पता लगाना कि एक लाइट स्विच केवल "ऑन" या "ऑफ" नहीं होता, बल्कि यह भी नियंत्रित करता है कि उसे कितनी जोर से दबाने पर रोशनी कितनी धीमी होगी।

2. "ज्ञात उत्तर" वाला परीक्षण (Synthetic Data)
उन्होंने एक नकली दुनिया बनाई जहाँ वे पहले से ही सटीक गणितीय नियम जानते थे।

परिणाम: जब नियम सरल थे (जैसे सीधी रेखाएं या स्मूथ कर्व्स), तो EML-CD ने 11 में से 10 बार सटीक गणितीय सूत्रों को रिकवर किया।
स्थिरता: उन्होंने दूसरे तरीके (SINDy) के साथ तुलना की जो शब्दों के एक निश्चित डिक्शनरी का उपयोग करता है। निश्चित डिक्शनरी कभी-कभी क्रैश हो जाती थी और जंगली रूप से गलत उत्तर देती थी (जैसे कि एक डिक्शनरी जो अचानक "बिल्ली" को "हवाई जहाज" के रूप में परिभाषित करने लगती है)। EML-CD स्थिर और विश्वसनीय बना रहा, भले ही वह सबसे जटिल, टेढ़े-मेढ़े कर्व्स को पूरी तरह से कैप्चर न कर सके।

3. भौतिकी परीक्षण (Causal Chambers)
उन्होंने भौतिकी के नियमों द्वारा संचालित एक लाइट-टनल प्रयोग का परीक्षण किया।

परिणाम: उनके टूल के एक सरल संस्करण (डेप्थ-2) ने मानक लीनियर (linear) तरीकों को पछाड़ दिया। इसने महसूस किया कि भौतिकी में केवल सीधी रेखाएं नहीं, बल्कि कर्व्स शामिल थे। हालांकि, यदि उन्होंने टूल को बहुत जटिल (डेप्थ-3) बनाया, तो यह थोड़े से डेटा के कारण भ्रमित हो गया। यह हमें सिखाता है कि "बड़ा होना हमेशा बेहतर नहीं होता"; कभी-कभी एक सरल टूल अधिक विश्वसनीय होता है।

निचोड़ (The Bottom Line)

EML-CD कॉज़ल डिस्कवरी का एक नया तरीका है जो ब्लैक बॉक्स बनने से इनकार करता है।

यह सटीकता बनाए रखता है: यह शीर्ष AI विधियों की तरह ही सही कनेक्शन खोजता है।
यह "क्यों" जोड़ता है: यह आपको यह बताने के लिए वास्तविक गणितीय सूत्र देता है कि एक चीज़ दूसरी चीज़ को कैसे बदलती है।
यह "कितना" समझाता है: क्योंकि इसके पास सूत्र है, यह गणना कर सकता है कि यदि आप इनपुट में बदलाव करते हैं (एक "एनालिटिकल जैकोबियन" का उपयोग करके) तो प्रभाव वास्तव में कितना बदल जाएगा।

सीमाएं:
पेपर स्वीकार करता है कि यह अभी भी पूर्ण नहीं है।

यदि दो वेरिएबल्स बहुत जटिल तरीके से इंटरैक्ट करते हैं जिसके लिए उन्हें सूत्र में प्रवेश करने से पहले आपस में गुणा करने की आवश्यकता होती है, तो इसे संघर्ष करना पड़ता है (हालांकि उनके पास इसे ठीक करने के लिए एक प्रोटोटाइप है)।
यह छोटे डेटासेट्स (लगभग 20 वेरिएबल्स तक) पर सबसे अच्छा काम करता है।
जो सटीक गणितीय सूत्र यह खोजता है, वह इस बात पर थोड़ा भिन्न हो सकता है कि कंप्यूटर ने गणना की शुरुआत कैसे की (रैंडम सीड्स), इसलिए यह हर बार 100% समान नहीं होता है।

संक्षेप में, EML-CD एक ऐसा उपकरण है जो आपको मशीन के अंदर के गियर्स देखने की अनुमति देता है, जो वैज्ञानिकों को न केवल क्षेत्र का मानचित्र देता है, बल्कि उस क्षेत्र के काम करने के वास्तविक ब्लूप्रिंट भी प्रदान करता है।

तकनीकी सारांश: EML-CD – EML सिम्बोलिक ट्री के माध्यम से कारण तंत्र की रिकवरी (Causal Mechanism Recovery)

1. समस्या विवरण (Problem Statement)

वर्तमान कॉज़ल डिस्कवरी (causal discovery) विधियाँ संरचनात्मक सटीकता (structural accuracy) और यांत्रिक व्याख्यात्मकता (mechanistic interpretability) के बीच एक मौलिक समझौते (trade-off) का सामना करती हैं। जबकि निरंतर अनुकूलन विधियाँ (जैसे NOTEARS, GOLEM) और न्यूरल नेटवर्क-आधारित एडिटिव नॉइज़ मॉडल (जैसे GraNDAG, NOTEARS-MLP) निर्देशित अचक्रीय ग्राफ (DAG) संरचनाओं को रिकवर करने में उच्च सटीकता प्राप्त करते हैं, वे कारण तंत्रों (causal mechanisms) को ब्लैक-बॉक्स न्यूरल नेटवर्क के रूप में प्रस्तुत करते हैं। जैसा कि Waxman et al. [22] द्वारा तर्क दिया गया है, न्यूरल नेटवर्क के भार (weights) से विशिष्ट कार्यात्मक रूपों (functional forms) को निकालना एक 'इल-पोज़्ड' (ill-posed) समस्या है; भार अंतर्निहित तंत्र की विशिष्ट पहचान नहीं करते हैं। फलस्वरूप, मौजूदा विधियाँ हस्तक्षेप प्रभावों (intervention effects) की भविष्यवाणी करने या कॉज़ल इफेक्ट फंक्शन का मात्रात्मक विश्लेषण करने के लिए क्लोज्ड-फॉर्म समीकरण प्रदान नहीं कर सकती हैं। पोस्ट-हॉक स्पष्टीकरण उपकरण (SHAP, LIME) केवल स्थानीय अनुमान प्रदान करते हैं, और स्प्लाइन-आधारित मॉडल (CAM) को सिम्बोलिक समीकरणों के रूप में निकाला नहीं जा सकता है। कोई भी मौजूदा ढांचा एक ही लर्निंग प्रक्रिया के भीतर कॉज़ल स्ट्रक्चर और मनमाने नॉनलीन क्लोज्ड-फॉर्म मैकेनिज्म को संयुक्त रूप से रिकवर नहीं करता है।

2. कार्यप्रणाली: EML-CD

EML-CD (EML-आधारित कॉज़ल डिस्कवरी) कॉज़ल स्ट्रक्चर लर्निंग में EML ऑपरेटर [14] को एकीकृत करके इस अंतर को दूर करता है। EML ऑपरेटर, जिसे $eml(x, y) = \exp(x) - \ln(y)$ के रूप में परिभाषित किया गया है, एक व्याकरण $S \to 1 \mid eml(S, S)$ के माध्यम से संयोजित होने पर एलिमेंट्री फंक्शन्स के लिए फंक्शनली पूर्ण (functionally complete) है।

2.1 EML ट्री प्रतिनिधित्व (EML Tree Representation)

न्यूरल नेटवर्क के बजाय, EML-CD प्रत्येक एज मैकेनिज्म $f_{j,i}(X_i)$ को एक सीमित गहराई $D$ वाले गेटेड EML बाइनरी ट्री के रूप में प्रस्तुत करता है।

संरचना: ट्री एक पूर्ण बाइनरी ट्री है जहाँ इंटरनल नोड्स EML ऑपरेटर लागू करते हैं या गेटिंग मैकेनिज्म के माध्यम से इसे बायपास करते हैं।
गेटिंग (Gating): एक डेप्थ गेट $\sigma(\gamma)$ जटिलता को नियंत्रित करता है। यदि $\gamma \ll 0$ , तो नोड EML ऑपरेशन को बायपास कर देता है (एक लीनियर पाथ में बदल जाता है); यदि $\gamma \gg 0$ , तो EML ऑपरेशन सक्रिय होता है। यह मॉडल को लीनियर और नॉनलीन मैकेनिज्म के बीच डेटा-संचालित चयन करने की अनुमति देता है।
प्रशिक्षण (Training): मॉडल गेट टेम्परेचर $\tau_g$ के लिए एक डिटरमिनिस्टिक एनीलिंग शेड्यूल का उपयोग करता है, जो प्रशिक्षण के दौरान 1 से 0.02 तक एनील (anneal) होता है। यह सुनिश्चित करता है कि शुरुआत में ग्रेडिएंट्स स्वतंत्र रूप से प्रवाहित हों, जबकि गेट्स लगभग बाइनरी अवस्थाओं में अभिसरित (converge) हों, जिससे एक हार्ड-थ्रेशोल्डेड क्लोज्ड-फॉर्म समीकरण प्राप्त होता है जो प्रशिक्षित सॉफ्ट फंक्शन का निष्ठापूर्वक प्रतिनिधित्व करता है।
स्थिरता (Stability): संख्यात्मक विचलन (जैसे $\exp$ या $\ln$ से) को रोकने के लिए, ऑपरेटर इनपुट्स और आउटपुट्स को विशिष्ट सीमाओं तक क्लिप करता है (जैसे $\exp$ इनपुट को $[-2, 2]$ तक और $\ln$ आर्गुमेंट को 0.5 पर फ्लोर करना)।

2.2 दो-चरणीय अनुमान (Two-Phase Inference)

लर्निंग प्रक्रिया दो अलग-अलग चरणों से बनी है:

मैकेनिज्म प्री-ट्रेनिंग: सभी $d(d-1)$ संभावित जोड़ों $(i, j)$ के लिए, MSE को कम करने के लिए Adam के माध्यम से एक EML ट्री $T_{j,i}$ को प्रशिक्षित किया जाता है। प्रत्येक जोड़े के लिए तीन रैंडम इनिशियलाइजेशन में से सर्वश्रेष्ठ का चयन किया जाता है। यह चरण $R^2$ स्कोर (भविष्यवाणी शक्ति) और प्रशिक्षित ट्री पैरामीटर्स प्रदान करता है।
ग्रीडी DAG निर्माण: एडजेस (edges) को उनके $R^2$ स्कोर के घटते क्रम में जोड़ा जाता है, जो सख्ती से अचक्रीयता (acyclicity) बनाए रखता है। $\tau$ थ्रेशोल्ड से नीचे के $R^2$ वाले एडजेस को बाहर रखा जाता है। BIC (OLS पर आधारित) का उपयोग करके वैकल्पिक बैकवर्ड प्रूनिंग स्प्यूरियस एडजेस को और भी हटा सकती है।

2.3 पहचान क्षमता और दिशा (Identifiability and Direction)

EML-CD अवशेष स्वतंत्रता परीक्षणों (residual independence tests) के बजाय फिट-क्वालिटी एसिमेट्री ( $R^2_{i \to j}$ बनाम $R^2_{j \to i}$ ) के आधार पर एडजेस को ओरिएंट करता है। फंक्शन क्लास को EML ट्री तक सीमित करने से एंटीकॉज़ल मैकेनिज्म को दर्शाना कठिन हो जाता है, जो स्वाभाविक रूप से इसके $R^2$ को कम करता है। यह एडिटिव नॉइज़ मॉडल (ANM) पहचान क्षमता के लिए एक ह्यूरिस्टिक प्रॉक्सी के रूप में कार्य करता है।

3. मुख्य योगदान (Key Contributions)

फ्रेमवर्क एकीकरण: EML-CD पहला ऐसा ढांचा है जो कॉज़ल स्ट्रक्चर लर्निंग में सीधे EML सिम्बोलिक ट्री को एकीकृत करता है, जो प्रत्येक पता लगाए गए एज के साथ क्लोज्ड-फॉर्म समीकरण और एनालिटिकल जैकोबियन जोड़ता है।
बलिदान के बिना व्याख्यात्मकता: यह प्रदर्शित करता है कि सिम्बोलिक व्याख्यात्मकता जोड़ने से संरचना रिकवरी की सटीकता को अत्याधुनिक बेसलाइन्स की तुलना में आवश्यक रूप से कम नहीं किया जाता है।
निष्ठापूर्ण मैकेनिज्म रिकवरी: नियंत्रित सेटिंग्स में, यह विधि केवल एक कर्व फिट करने के बजाय एलिमेंट्री फंक्शन्स के कार्यात्मक रूप को उच्च निष्ठा के साथ रिकवर करती है।
एनालिटिकल कॉज़ल इफेक्ट्स: ट्री संरचना से सीधे समीकरणों को व्युत्पन्न करके, EML-CD एनालिटिकल जैकोबियन ( $\partial X_j / \partial X_i$ ) की गणना सक्षम करता है, जो लीनियर कोएफिशिएंट्स या न्यूरल नेटवर्क डेरिवेटिव्स से उपलब्ध स्टेट-डिपेंडेंट कॉज़ल इफेक्ट क्वांटिफिकेशन प्रदान करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

4.1 वास्तविक डेटा: सैक्स प्रोटीन सिग्नलिंग ( $d=11$ )

स्ट्रक्चर रिकवरी: EML-CD ने 11.2 ± 0.4 का स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) प्राप्त किया (5-सीड मीन)। यह PC और GES (SHD=11) के बराबर है और CAM (SHD=12) से बेहतर है।
प्रिसिजन/रिकॉल: इसने उच्चतम प्रिसिजन (0.756) प्राप्त किया, हालांकि रिकॉल (0.365) कम था, जो उच्च-विश्वास वाले एडजेस के प्रति प्राथमिकता को दर्शाता है।
मैकेनिज्म: विधि ने ज्ञात पथों (जैसे Raf $\to$ Mek) को क्लोज्ड-फॉर्म समीकरणों के साथ सफलतापूर्वक रिकवर किया। उदाहरण के लिए, इसने PKC $\to$ P38 के लिए एक नॉनलीन मैकेनिज्म की पहचान की जिसका स्टेट-डिपेंडेंट जैकोबियन -5.4 से +2.3 के बीच था, और Erk $\to$ Akt के लिए एक लीनियर मैकेनिज्म की पहचान की।

4.2 नियंत्रित द्विविचर रिकवरी (Controlled Bivariate Recovery)

ज्ञात ग्राउंड-ट्रुथ फंक्शन्स ( $N=2000$ ) के साथ एक टेस्ट में, EML-CD ने $\ge 0.96$ के होल्ड-आउट शेप कोरिलेशन के साथ 11 में से 10 एलिमेंट्री फंक्शन फैमिली (linear, quadratic, cubic, cos, tanh, exp, sqrt, sigmoid, log, abs) को रिकवर किया। केवल हाई-फ्रीक्वेंसी साइन ( $\sin(1.5x)$ ) ने आंशिक रिकवरी (0.84) दिखाई।

4.3 सिंथेटिक सिम्बोलिक बेंचमार्क (S-Sym)

स्थिरता बनाम फिक्स्ड डिक्शनरी: एक सिम्बोलिक SEM बेंचमार्क पर, EML-CD ने 3.67 का औसत मैकेनिज्म $f$ -MSE प्राप्त किया, जो एक फिक्स्ड SINDy डिक्शनरी (औसत 7644) की तुलना में काफी कम और अधिक स्थिर है। SINDy बेसलाइन एक सीड पर कैटास्ट्रोफिक एक्सट्रपलेशन से पीड़ित हुई।
स्ट्रक्चर रिकवरी: स्ट्रक्चरल SHD (14.0) ने SINDy डिक्शनरी बेसलाइन के बराबर प्रदर्शन किया लेकिन विशेषज्ञ लीनियर ऑप्टिमाइज़र से नीचे रहा।

4.4 कॉज़ल चैम्बर्स (लाइट-टनल सबसेट)

मालस के नियम ( $\cos^2(\theta_1 - \theta_2)$ द्वारा शासित भौतिक प्रणाली पर), एक डेप्थ-2 EML-CD मॉडल ने लीनियर OLS-BIC (0.273) पर F1 (0.444) में सुधार किया। हालांकि, छोटे-सैंपल सेटिंग में डेप्थ-3 मॉडल विफल रहे। इंटरैक्शन-अवेयर लीव्स और इंटरवेंशन मेटाडेटा को शामिल करने से प्रिसिजन बढ़कर 1.000 हो गया, हालांकि रिकॉल सीमित रहा।

5. महत्व और दावे (Significance and Claims)

यह पेपर EML-CD को एक प्रूफ ऑफ कॉन्सेप्ट के रूप में प्रस्तुत करता है जो यह प्रदर्शित करता है कि संरचनात्मक सटीकता से समझौता किए बिना कॉज़ल-मैकेनिज्म व्याख्यात्मकता को स्ट्रक्चर लर्निंग में एकीकृत किया जा सकता है।

मुख्य उपलब्धि: यह NN-आधारित मैकेनिज्म एक्सट्रैक्शन की इल-पोज़्डनेस को एक परिमित-आयामी (finite-dimensional), व्याख्या योग्य EML फंक्शन क्लास तक खोज स्थान को सीमित करके दरकिनार करता है।
व्यावहारिक मूल्य: एनालिटिकल जैकोबियन आउटपुट करने की क्षमता हस्तक्षेप प्रभावों के मात्रात्मक पूर्वानुमान और स्टेट-डिपेंडेंट कॉज़ल विश्लेषण को सक्षम बनाती है, जो मानक DAG-ओनली विधियों के साथ असंभव है।
विनम्रता (Modesty): लेखक स्पष्ट रूप से सीमाओं को स्वीकार करते हैं:
- विधि वर्तमान में यूनिवेरिएट एडिटिव मैकेनिज्म मानती है और विशिष्ट विस्तार के बिना क्रॉस-वेरिएबल इंटरैक्शन (जैसे $\cos^2(\theta_1 - \theta_2)$ ) को मूल रूप से प्रदर्शित नहीं कर सकती है।
- सिंथेटिक बेंचमार्क पर स्ट्रक्चरल रिकवरी डिक्शनरी बेसलाइन्स के बराबर है लेकिन अभी तक विशेषज्ञ लीनियर ऑप्टिमाइज़र से आगे नहीं निकल पाई है।
- सीड्स के बीच रिकवर किए गए समीकरणों की स्थिरता के लिए और सुधार की आवश्यकता है।
- स्वयं EML ऑपरेटर एक हालिया विकास है जिसे अभी तक बड़े पैमाने पर स्वतंत्र रूप से सत्यापित नहीं किया गया है।

कार्य यह निष्कर्ष निकालता है कि EML-CD प्रारंभिक साक्ष्य प्रदान करता है कि कॉज़ल ग्राफ्स से क्लोज्ड-फॉर्म समीकरणों को जोड़ना संभव है, जो पारदर्शी, विश्लेषणात्मक रूप से सुलभ कॉज़ल मॉडल की ओर एक मार्ग प्रदान करता है।