📊 statistics

When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic

यह शोध पत्र स्थापित करता है कि तंत्रिका अंतःक्रिया (neural interaction) की खोजों की पहचान क्षमता मौलिक रूप से मॉडल आर्किटेक्चर के बजाय प्रेक्षित इनपुट सपोर्ट (observed input support) की ज्यामिति पर निर्भर करती है, और यह प्रभावी रैंक (effective rank) और एक स्थिरता जांच (stability check) पर आधारित एक प्री-फिट डायग्नोस्टिक पेश करता है ताकि यह निर्धारित किया जा सके कि क्या ऐसी अंतःक्रियाओं को विश्वसनीय रूप से पुनः प्राप्त किया जा सकता है।

मूल लेखक: Valentina Kuskova, Dmitry Zaytsev, Michael Coppedge

प्रकाशित 2026-06-09

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Valentina Kuskova, Dmitry Zaytsev, Michael Coppedge

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 "When Are Neural Interaction Discoveries Real?" शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ा सवाल: क्या AI "देख" रहा है या सिर्फ "अनुमान" लगा रहा है?

कल्पना कीजिए कि आपने एक बहुत ही बुद्धिमान, लचीले जासूस (एक न्यूरल नेटवर्क) को यह पता लगाने के लिए काम पर रखा है कि कोई अपराध कैसे हुआ। जासूस आपसे कहता है: "संदेश की गति मौसम के कारण बदल गई थी।" दूसरे शब्दों में, मौसम ने संदिग्ध की दौड़ने की गति को प्रभावित किया।

यह एक बेहतरीन, यांत्रिक खोज (mechanistic discovery) लगती है। लेकिन इस शोध पत्र के लेखक एक महत्वपूर्ण प्रश्न पूछते हैं: क्या यह वास्तव में दुनिया के बारे में एक तथ्य है, या यह केवल जासूस के लचीले दिमाग की एक चाल है?

क्योंकि ये AI मॉडल डेटा को फिट करने में इतने कुशल होते हैं, वे अक्सर अलग-अलग कहानियाँ गढ़ सकते हैं जो सतह पर बिल्कुल एक जैसी दिखती हैं। एक कहानी कह सकती है कि "मौसम ने गति को प्रभावित किया," जबकि दूसरी कहानी कह सकती है कि "संदेश के मूड ने गति को प्रभावित किया," और दोनों कहानियाँ ऐतिहासिक डेटा पर पूरी तरह सटीक बैठती हैं। यदि मॉडल एक कहानी को केवल इसलिए चुनता है क्योंकि उसकी गणना की शुरुआत कैसे हुई थी (एक रैंडम "सीड" के कारण), तो वह कहानी वास्तविक खोज नहीं है; वह केवल एक आर्टिफैक्ट (artifact) है।

यह शोध पत्र तर्क देता है कि कोई खोज वास्तविक है या नहीं, यह इस बात पर कम निर्भर करता है कि AI कितना स्मार्ट है, बल्कि इस पर अधिक निर्भर करता है कि उसे जो डेटा दिया गया है उसका आकार (shape) कैसा है।

मुख्य अवधारणा: "स्टेज" बनाम "अभिनेता"

लेखक एक विशिष्ट प्रकार के AI मॉडल का उपयोग करते हैं जिसे G-NAVAR (Gated Neural Additive Vector Autoregression) कहा जाता है। इस मॉडल को एक स्टेज प्ले (मंच नाटक) के रूप में समझें:

अभिनेता (Sources): वे चर (variables) जो परिणाम को प्रभावित करते हैं (जैसे, हवा की गति, तापमान)।
निर्देशक (Gates): वे चर जो यह बदलते हैं कि अभिनेता कैसे प्रदर्शन करते हैं (जैसे, "जब गर्मी होती है, तो हवा तेज़ चलती है")।

लेखक पूछते हैं: क्या हम विशिष्ट रूप से पहचान सकते हैं कि निर्देशक कौन है?

1. "लीकेज" की समस्या (Dependent Inputs)

कल्पना कीजिए कि दो अभिनेता हैं, बारिश और बादल, जो हमेशा साथ दिखाई देते हैं। यदि मॉडल यह पता लगाने की कोशिश करता है कि दृश्य को कौन निर्देशित कर रहा है, तो वह भ्रमित हो जाता है। क्योंकि बारिश और बादल आपस में बहुत जुड़े हुए हैं, मॉडल यह नहीं बता पाता कि "निर्देशक" बारिश है या बादल। प्रभाव उनके बीच "लीक" हो जाता है।

शोध पत्र का दावा: यदि आपके इनपुट वेरिएबल्स एक-दूसरे पर बहुत अधिक निर्भर हैं, तो मॉडल उनके प्रभावों को विशिष्ट रूप से अलग नहीं कर सकता है।

2. "छोटा स्टेज" की समस्या (Low-Dimensional Support)

यह इस शोध पत्र की सबसे महत्वपूर्ण खोज है। कल्पना कीजिए कि एक स्टेज केवल 1 इंच चौड़ा है। आपके पास दो अभिनेता हैं जो एक जटिल नृत्य करने की कोशिश कर रहे हैं। क्योंकि स्टेज इतना संकरा है, वे केवल एक ही दिशा में चल सकते हैं।

उपमा (Analogy): यदि डेटा वास्तविकता के एक बहुत छोटे, सपाट टुकड़े (जैसे एक सीधी रेखा) को ही कवर करता है, तो मॉडल लाखों अलग-अलग "नृत्य की चालें" (interaction rules) गढ़ सकता है जो उस छोटी सी रेखा पर बिल्कुल एक जैसी दिखती हैं। लेकिन यदि आप उस रेखा से बाहर कमरे के बाकी हिस्से में कदम रखते हैं, तो वे चालें बिल्कुल अलग दिखेंगी।
शोध पत्र का दावा: यदि डेटा पर्याप्त "जमीन" (geometric support) को कवर नहीं करता है, तो मॉडल की खोज अनिर्धारित (undefined) है। यह डेटा का वास्तविक गुण नहीं है; यह केवल एक अनुमान है जो उस संकीर्ण हिस्से पर काम कर रहा है जिसे आपके पास डेटा के रूप में दिया गया है।

समाधान: एक "प्री-फ्लाइट" चेक और एक "डबल-चेक"

लेखक नकली खोजों पर लोगों के विश्वास को रोकने के लिए एक व्यावहारिक कार्यप्रवाह (workflow) प्रस्तावित करते हैं। वे दो उपकरण प्रदान करते हैं:

टूल 1: "इफेक्टिव रैंक" (द प्री-फिट डायग्नोस्टिक)

AI को प्रशिक्षित करने से पहले ही, आप अपने डेटा को देखकर पूछ सकते हैं: "क्या हमारा स्टेज पर्याप्त चौड़ा है?"

वे इफेक्टिव रैंक (Effective Rank) नामक एक गणितीय ट्रिक का उपयोग करते हैं। इसे यह देखने जैसा समझें कि आपका डेटा वास्तव में कितने आयामों (dimensions) का उपयोग करता है।
उच्च प्रभावी रैंक (High Effective Rank): आपका डेटा कई दिशाओं में फैला हुआ है (एक बड़ा, 3D कमरा)। मॉडल शायद एक वास्तविक इंटरैक्शन ढूंढ सके।
कम प्रभावी रैंक (Low Effective Rank): आपका डेटा एक सपाट शीट या रेखा में सिमट गया है (एक संकीर्ण गलियारा)। मॉडल एक वास्तविक इंटरैक्शन नहीं ढूंढ सकता, चाहे वह कितनी भी कोशिश क्यों न करे।
नियम: यदि प्रभावी रैंक कम है, तो तुरंत रुक जाएं। खोज करना असंभव है।

टूल 2: "टू-सीड" स्टेबिलिटी चेक (द पोस्ट-फिट टेस्ट)

यदि "स्टेज" पर्याप्त चौड़ा दिखता है, तो भी आपको सावधान रहने की आवश्यकता है। आप मॉडल को दो बार प्रशिक्षित करते हैं, दो अलग-अलग रैंडम "सीड्स" (जैसे गेम शुरू करने के लिए दो अलग-अलग पासे फेंकना) के साथ।

परीक्षण: क्या दोनों रन इस बात पर सहमत हैं कि निर्देशक कौन है?
यदि वे सहमत हैं: तो यह एक अच्छा संकेत है (हालांकि यह गारंटी नहीं है)।
यदि वे असहमत हैं: तो खोज नकली है। मॉडल केवल एक रैंडम उत्तर चुन रहा है क्योंकि डेटा किसी एक सत्य को अनिवार्य नहीं बनाता है।

वास्तविक दुनिया के परीक्षण: तीन अलग-अलग कहानियाँ

लेखकों ने अपने सिद्धांत का परीक्षण तीन वास्तविक दुनिया के डेटासेट पर किया, जो तीन संभावित परिणामों को स्पष्ट रूप से दर्शाते हैं:

1. बीजिंग वायु गुणवत्ता (सफलता की कहानी)

डेटा: वायु प्रदूषण और मौसम।
परिणाम: डेटा "समृद्ध" था (उच्च प्रभावी रैंक)। मॉडल ने लगातार पाया कि तापमान, नाइट्रोजन डाइऑक्साइड और ओजोन के बीच के संबंध को नियंत्रित (modulate) करता है।
निर्णय: यह एक वास्तविक खोज (Real Discovery) है। डेटा पर्याप्त विस्तृत था, और मॉडल हर बार उत्तर पर सहमत था।

2. विश्व विकास संकेतक (झूठी उम्मीद की कहानी)

डेटा: आर्थिक विकास और निवेश।
परिणाम: डेटा "समृद्ध" दिख रहा था (उच्च प्रभावी रैंक), इसलिए प्री-फिट चेक ने कहा "आगे बढ़ें!" लेकिन जब उन्होंने मॉडल को दो बार चलाया, तो दोनों रन असहमत थे। एक ने कहा कि "निवेश" मुख्य था; दूसरे ने कहा कि "व्यापार खुलापन" (Trade Openness) मुख्य था।
निर्णय: यह अस्थिर (Unstable) है। भले ही डेटा अच्छा दिख रहा था, लेकिन कोई एक एकल, रिकवरेबल सत्य मौजूद नहीं था। मॉडल केवल अनुमान लगा रहा था।

3. स्टॉक मार्केट वोलैटिलिटी (असंभव की कहानी)

डेटा: विभिन्न देशों के शेयर बाजार की कीमतें।
परिणाम: डेटा "कोलैप्स्ड" (Low Effective Rank) था। सभी शेयर बाजार एक ही लय में चलते थे, जैसे एक ही रेखा। प्री-फिट चेक चिल्लाकर कह रहा था "रुक जाओ!"
निर्णय: असंभव। मॉडल एक वास्तविक इंटरैक्शन नहीं ढूंढ सका क्योंकि डेटा बहुत संकीर्ण था। कोई भी "खोज" शुद्ध कल्पना होगी।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि एक लचीला AI मॉडल होना ही पर्याप्त नहीं है। आपके पास दुनिया का सबसे शक्तिशाली न्यूरल नेटवर्क हो सकता है, लेकिन यदि आपका डेटा "दबा हुआ" (low-dimensional) है या बहुत अधिक सह-संबंधित (correlated) है, तो मॉडल आपको यह नहीं बता सकता कि चर (variables) आपस में कैसे इंटरैक्ट करते हैं।

अभ्यासकर्ताओं (Practitioners) के लिए सीख:

पहले अपने डेटा के आकार की जाँच करें (Effective Rank)। यदि यह बहुत संकीर्ण है, तो इंटरैक्शन खोजने की कोशिश न करें।
मॉडल को दो बार चलाएं। यदि उत्तर बदल जाते हैं, तो आपने सत्य नहीं पाया है; आपने केवल एक रैंडम अनुमान पाया है।
AI द्वारा सुनाई गई "कहानी" पर तब तक भरोसा न करें जब तक कि डेटा ज्योमेट्री और स्टेबिलिटी चेक दोनों यह न कहें कि वह वास्तविक है।

यह शोध पत्र यह वादा नहीं करता कि AI सभी रहस्यों को हल कर देगा; यह वादा करता है कि यह आपको बताएगा कि कब AI वास्तव में एक रहस्य सुलझा रहा है और कब वह केवल चीजें बना रहा है।

तकनीकी सारांश: न्यूरल इंटरेक्शन डिस्कवरी (Neural Interaction Discoveries) वास्तविक कब होती हैं?

समस्या विवरण (Problem Statement)

यह शोध पत्र व्याख्यात्मक समय-श्रृंखला मॉडलिंग (interpretable time-series modeling) के एक मौलिक प्रश्न को संबोधित करता है: जब एक न्यूरल मॉडल (विशेष रूप से वह जो इंटरेक्शन कैप्चर करने के लिए डिज़ाइन किया गया है) यह रिपोर्ट करता है कि एक चर (variable) दूसरे के प्रभाव को मॉड्युलेट करता है, तो क्या खोजा गया यह इंटरेक्शन डेटा-जनरेटिंग प्रक्रिया का एक वास्तविक गुण है, या यह केवल मॉडल की लचीलेपन (flexibility) का एक आर्टिफैक्ट (artifact) है?

यद्यपि न्यूरल एडिटिव वेक्टर ऑटोरेग्रेशन (NAVAR) और संबंधित ग्रेंजर कॉज़ैलिटी (Granger causality) विधियाँ गतिकी (dynamics) को व्याख्यात्मक स्रोत योगदानों में विघटित कर सकती हैं, वे स्वाभाविक रूप से 'इफेक्ट मॉडिफिकेशन' (effect modification - जहाँ एक चर का प्रभाव दूसरे के स्तर पर निर्भर करता है) को व्यक्त नहीं कर सकतीं। मल्टीप्लिकेटिव गेट्स (multiplicative gates) को शामिल करने के लिए इन मॉडलों का विस्तार करना (G-NAVAR) ऐसे इंटरेक्शन की अनुमति देता है, लेकिन लेखक तर्क देते हैं कि 'रिप्रजेंटेशनल कैपेसिटी' (representational capacity) आइडेंटिफिएबिलिटी (identifiability - पहचान योग्यता) की गारंटी नहीं देती है। एक लचीला मॉडल कई अवलोकन संबंधी रूप से समान (observationally equivalent) इंटरेक्शन डिकम्पोज़िशन को स्वीकार कर सकता है जो डेटा को समान रूप से फिट करते हैं लेकिन उनकी संरचनात्मक व्याख्या भिन्न होती है। केंद्रीय समस्या यह निर्धारित करना है कि क्या रिकवर किया गया इंटरेक्शन स्ट्रक्चर अवलोकन संबंधी डेटा से अद्वितीय रूप से पहचानने योग्य (uniquely identifiable) है, या यह इनपुट सपोर्ट की ज्यामिति (geometry) द्वारा संचालित एक ऑप्टिमाइज़ेशन आर्टिफैक्ट है।

कार्यप्रणाली (Methodology)

मॉडल आर्किटेक्चर: G-NAVAR

लेखक गेटेड न्यूरल एडिटिव वेक्टर ऑटोरेग्रेशन (G-NAVAR) का अध्ययन करते हैं। एक लक्ष्य चर $x_i$ के लिए, मॉडल कंडीशनल मीन (conditional mean) को एज प्रोडक्ट्स (edge products) के योग में विभाजित करता है:
$\hat{x}_{i,t} = \beta_i + \sum_j f_{ij}(x^{(K)}_{j,t}) \prod_{k \in M_{ij}} g_{ijk}(x^{(K)}_{k,t})$
यहाँ, $f_{ij}$ स्रोत $j$ के लिए एक बेस फंक्शन है, और $g_{ijk}$ स्ट्रिक्टली पॉजिटिव मल्टीप्लिकेटिव गेट्स हैं जो कैंडिडेट मॉड्युलेटर्स $k \in M_{ij}$ द्वारा संचालित होते हैं। उत्पाद $F_{ij} = f_{ij} \prod g_{ijk}$ स्रोत $j$ का प्रभावी योगदान (effective contribution) दर्शाता है।

सैद्धांतिक ढांचा (Theoretical Framework)

यह शोध पत्र गेज सिमेट्रीज़ (gauge symmetries) और सपोर्ट ज्योमेट्री (support geometry) का विश्लेषण करके आइडेंटिफिएबिलिटी की शर्तों को स्थापित करता है:

नॉर्मलाइजेशन और मिनिमैलिटी (Normalization and Minimality): ट्रिवियल सिमेट्रीज़ (जैसे स्केल रिडिस्ट्रिब्यूशन, मॉड्युलेटर्स का क्रम बदलना, या 1 के बराबर गेट्स डालना) को हटाने के लिए, लेखक निम्नलिखित लागू करते हैं:
- नॉर्मलाइजेशन: $E[g_{ijk}] = 1$ ।
- मिनिमैलिटी: केवल आवश्यक मॉड्युलेटर्स (वे जो एज प्रोडक्ट को गैर-तुच्छ रूप से बदलते हैं) को शामिल किया जाता है।
आइडेंटिफिएबिलिटी में बाधाएं (Obstructions to Identifiability):
- डिपेंडेंस-इंड्यूस्ड लीकेज (Dependence-Induced Leakage): यदि इनपुट्स परस्पर निर्भर हैं, तो कंडीशनिंग स्रोत प्रभावों को अलग नहीं कर पाती; निम्न-क्रम के बदलाव (lower-order variations) एज-विशिष्ट पदों के बीच लीक हो सकते हैं।
- लो-डायमेंशनल सपोर्ट (Low-Dimensional Support): यदि मॉड्युलेटर्स का जॉइंट सपोर्ट प्रभावी रूप से लो-डायमेंशनल (जैसे कोलीनियर) है, तो अलग-अलग गेट फंक्शन्स देखे गए डेटा पर पूरी तरह से सहमत हो सकते हैं जबकि अन्य स्थानों पर भिन्न हो सकते हैं, जिससे रिकवरी असंभव हो जाती है।
आइडेंटिफिएबिलिटी थ्योरम (Identifiability Theorem): लेखक विशिष्ट स्थितियों के तहत नॉर्मलाइज्ड मिनिमल G-NAVAR के लिए एक पॉपुलेशन आइडेंटिफिएबिलिटी थ्योरम सिद्ध करते हैं:
- एज सेपरेबिलिटी (Edge Separability): विभिन्न स्रोतों के योगदानों को अलग किया जाना चाहिए। यह विजातीय सपोर्ट के लिए डायरेक्ट-सम (direct-sum) स्थिति या साझा मॉड्युलेटर्स के लिए हायरार्किकली ऑर्थोगोनल फंक्शनल डिकम्पोज़िशन (HOFD) के माध्यम से प्राप्त किया जाता है।
- सपोर्ट रिचनेस (Support Richness): मॉड्युलेटर सेट का जॉइंट सपोर्ट एक फुल-डायमेंशनल, ओपन, कनेक्टेड प्रोडक्ट सेट होना चाहिए जिसका स्ट्रिक्टली पॉजिटिव डेंसिटी हो।
- गेट-इंटरेक्शन फेथफुलनेस (Gate-Interaction Faithfulness): सूचीबद्ध मॉड्युलेटर सेट को संरचनात्मक इंटरेक्शन घटकों के अनुरूप होना चाहिए।

व्यावहारिक डायग्नोस्टिक टूल्स (Practical Diagnostic Tools)

सिद्धांत अभ्यासकर्ताओं के लिए दो परिचालन उपकरण प्रदान करता है:

प्री-फिट डायग्नोस्टिक (प्रभावी रैंक): जॉइंट लैग-ब्लॉक कोवेरिएंस मैट्रिक्स का प्रभावी रैंक ( $r_{eff}$ ) सपोर्ट रिचनेस के प्रॉक्सी के रूप में कार्य करता है।
$r_{eff}(S) = \frac{(\text{tr } \Sigma_S)^2}{\text{tr}(\Sigma_S^2)}$
एक कम प्रभावी रैंक सपोर्ट कोलैप्स (डिजेनरेसी) का संकेत देता है, जो किसी भी मॉडल फिटिंग से पहले ही नॉन-आइडेंटिफिएबिलिटी की भविष्यवाणी करता है।
पोस्ट-फिट स्टेबिलिटी चेक: एक टू-सीड स्टेबिलिटी चेक में स्वतंत्र रैंडम सीड्स से मॉडल को दो बार फिट करना शामिल है। यदि रिकवर किए गए मॉड्युलेटर रैंकिंग महत्वपूर्ण रूप से असहमत हैं, तो इंटरेक्शन स्ट्रक्चर संभवतः स्थिर रूप से रिकवर करने योग्य नहीं है, भले ही सपोर्ट समृद्ध दिखाई दे।

मुख्य परिणाम (Key Results)

सिंथेटिक प्रयोग (Synthetic Experiments)

स्केल पर रिकवरी: समृद्ध सपोर्ट वाले एक सिंथेटिक सेटिंग में, G-NAVAR सैंपल साइज बढ़ने के साथ वास्तविक मॉड्युलेटर सेट्स और गेट शेप्स को सफलतापूर्वक रिकवर करता है, जो एडिटिव बेसलाइन्स (जो मल्टीप्लिकेटिव स्ट्रक्चर कैप्चर नहीं कर सकते) से बेहतर प्रदर्शन करता है और ब्लैक-बॉक्स MLPs और फंक्शनल ANOVA मॉडल्स (GA2M) की प्रेडिक्टिव एक्यूरेसी के बराबर होता है।
सपोर्ट कोलैप्स ट्रांजिशन: जैसे-जैसे मॉड्युलेटर्स के बीच सहसंबंध बढ़ता है (प्रभावी रैंक को कम करता है), मॉड्युलेटर सेट्स की रिकवरी कोलैप्स हो जाती है। गेट एस्टीमेशन में त्रुटि $r_{eff}$ घटने के साथ निरंतर बढ़ती है, जो पुष्टि करती है कि आइडेंटिफिएबिलिटी सपोर्ट ज्योमेट्री का एक फंक्शन है, न कि केवल सैंपल साइज का।
मॉडल एगोस्टिकिज्म (Model Agnosticism): समृद्ध सपोर्ट के तहत, कई इंटरेक्शन-अवेयर मॉडल (G-NAVAR, GA2M) स्ट्रक्चर को रिकवर करते हैं, जो यह सुझाव देता है कि रिकवरी के लिए पैरामीट्राइजेशन से अधिक सपोर्ट कंडीशन महत्वपूर्ण है।

रियल-डेटा प्रयोग (Real-Data Experiments)

लेखक तीन अलग-अलग अनुभवजन्य (empirical) श्रेणियों में सिद्धांत को मान्य करते हैं:

बीजिंग एयर क्वालिटी (समृद्ध सपोर्ट, रिकवरेबल):
- संदर्भ: $NO_2 \to O_3$ और $PM_{2.5} \to PM_{10}$ एडजेस को मॉडल करना।
- परिणाम: उच्च प्रभावी रैंक ( $r_{eff} > 4$ ) सभी साइटों पर अपेक्षित मॉड्युलेटर्स (ओजोन के लिए तापमान, डिस्पर्शन के लिए विंड स्पीड) की स्थिर रिकवरी के साथ मेल खाती है। प्री-फिट डायग्नोस्टिक ने रिकवरेबिलिटी की सही भविष्यवाणी की।
WDI डेवलपमेंट इंडिकेटर्स (समृद्ध सपोर्ट, अनस्टेबल):
- संदर्भ: रिसोर्स रेंट्स के प्रभाव को इन्वेस्टमेंट/ट्रेड द्वारा मॉड्युलेट करना (GDP ग्रोथ पर)।
- परिणाम: उच्च प्रभावी रैंक ( $r_{eff} \approx 4.47$ ) के बावजूद, टू-सीड चेक ने अस्थिरता (टॉप मॉड्युलेटर्स पर असहमति, गेट स्लोप्स में साइन फ्लिप) को प्रकट किया। यह दर्शाता है कि समृद्ध सपोर्ट आवश्यक है लेकिन पर्याप्त नहीं; इंटरेक्शन स्ट्रक्चर स्वयं कमजोर या डेटा डिस्ट्रीब्यूशन में अन-आइडेंटिफिएबल हो सकता है।
रियलाइज्ड वोलेटिलिटी (कोलैप्स्ड सपोर्ट, अन-रिकवरेबल):
- संदर्भ: ग्लोबल इक्विटी इंडेक्स के बीच वोलेटिलिटी स्पिलओवर को मॉडल करना।
- परिणाम: अत्यधिक कम प्रभावी रैंक ( $r_{eff} < 2$ ) बाजारों के बीच उच्च क्रॉस-कोरिलेशन के कारण। प्री-फिट डायग्नोस्टिक ने इस रिजीम को नॉन-आइडेंटिफिएबल के रूप में सही ढंग से फ्लैग किया। रिकवरी अस्थिर थी, और मॉडल एडिटिव बेसलाइन्स से बेहतर प्रदर्शन करने में विफल रहा।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि इंटरेक्शन डिस्कवरेबिलिटी मौलिक रूप से ऑब्जर्व्ड इनपुट सपोर्ट की ज्यामिति द्वारा नियंत्रित एक आइडेंटिफिएबिलिटी की समस्या है, न कि उपयोग किए गए विशिष्ट न्यूरल आर्किटेक्चर की।

कैपेसिटी और आइडेंटिफिएबिलिटी के बीच अंतर: एक मॉडल की इंटरेक्शन को रिप्रेजेंट करने की क्षमता का अर्थ यह नहीं है कि वह उन्हें डेटा से विशिष्ट रूप से रिकवर कर सकता है।
मॉडल-अग्नोस्टिक सिद्धांत: हालांकि औपचारिक प्रमाण G-NAVAR के लिए निकाले गए हैं, लेखक तर्क देते हैं कि सपोर्ट-डिपेंडेंट नॉन-आइडेंटिफिएबिलिटी और स्टेबिलिटी चेक की आवश्यकताता के सिद्धांत उन सभी फ्लेक्सिबल न्यूरल ऑटोरेग्रेसिव तरीकों पर लागू होते हैं जो इंटरेक्शन खोजने का प्रयास करते हैं।
व्यावहारिक वर्कफ़्लो: शोध पत्र अभ्यासकर्ताओं के लिए एक ठोस, दो-चरणीय वर्कफ़्लो प्रदान करता है:
1. मॉडल फिट करने से पहले कैंडिडेट मॉड्युलेटर सेट का प्रभावी रैंक कंप्यूट करें। यदि यह कम है, तो रिकवरी असंभव है, चाहे मॉडल की जटिलता कुछ भी हो।
2. यदि रैंक पर्याप्त है, तो टू-सीड स्टेबिलिटी चेक करें। यदि परिणाम अस्थिर हैं, तो खोजा गया इंटरेक्शन संभवतः डेटा प्रॉपर्टी के बजाय एक ऑप्टिमाइज़ेशन आर्टिफैक्ट है।
सीमाएँ: लेखक अपने दावों में विनम्र हैं, यह नोट करते हुए कि डायग्नोस्टिक आवश्यक है लेकिन पर्याप्त नहीं है (यह उच्च-क्रम की मिसस्पेसिफिकेशन का पता नहीं लगा सकता) और "स्थिरता" का परिणाम केवल पुनरुत्पादकता (reproducibility) की गारंटी देता है, शुद्धता की नहीं।

संक्षेप में, यह शोध पत्र ध्यान को "क्या हम एक इंटरेक्शन को फिट कर सकते हैं?" से हटाकर "क्या इंटरेक्शन डेटा द्वारा विशिष्ट रूप से निर्धारित है?" पर केंद्रित करता है, जो ऑप्टिमाइज़ेशन आर्टिफैक्ट्स से वास्तविक खोजों को अलग करने के लिए एक सैद्धांतिक आधार और व्यावहारिक उपकरण दोनों प्रदान करता है।