🤖 machine learning

GRACE: Gated Refinement for Accurate Causal Edge Discovery in High-Dimensional Time Series

GRACE उच्च-आयामी समय श्रृंखला (high-dimensional time series) के लिए एक नवीन कारण खोज (causal discovery) ढांचा है जो एक तेज़ रैखिक बाधा-आधारित कंकाल (linear constraint-based skeleton) को हार्ड कंक्रीट गेट्स (Hard Concrete gates) और $L_0$ नियमितीकरण (regularization) का उपयोग करने वाले एक गेटेड रिफाइनमेंट तंत्र के साथ जोड़ता है ताकि गलत सकारात्मक परिणामों (false positives) को मजबूती से छाँटा जा सके, जिससे मौजूदा स्कोर-आधारित और गैर-रैखिक बाधा-आधारित विधियों की तुलना में बेहतर सटीकता और दक्षता प्राप्त होती है।

मूल लेखक: Mohammad Fesanghary, Abhinav Havaldar

प्रकाशित 2026-06-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Fesanghary, Abhinav Havaldar

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 विशाल, शोर भरे कमरे में यह पता लगाने की कोशिश कर रहे हैं कि कौन किससे बात कर रहा है, जहाँ सैकड़ों लोग एक साथ चिल्ला रहे हैं। आपके पास बातचीत की एक रिकॉर्डिंग (टाइम-सीरीज डेटा) है, और आपका लक्ष्य एक ऐसा नक्शा बनाना है जो ठीक-ठीक दिखाए कि किसने किसे प्रभावित किया। यही कॉज़ल डिस्कवरी (Causal Discovery) की चुनौती है, जो हाई-डायमेंशनल टाइम-सीरीज के क्षेत्र में आती है।

यह पेपर एक नया टूल पेश करता है जिसे GRACE (Gated Refinement for Accurate Causal Edge Discovery) कहा जाता है ताकि इस समस्या को हल किया जा सके। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है।

समस्या: दो दोषपूर्ण दृष्टिकोण

GRACE से पहले, शोधकर्ताओं के पास इस "कौन किससे बात कर रहा है" वाली पहेली को सुलझाने के दो मुख्य तरीके थे, लेकिन दोनों में बड़ी खामियां थीं:

"सख्त जासूस" (कन्स्ट्रेंट-बेस्ड मेथड्स): यह दृष्टिकोण बहुत विशिष्ट प्रश्न पूछता है: "यदि मैं व्यक्ति A को अनदेखा कर दूँ, तो क्या व्यक्ति B का भाषण अभी भी व्यक्ति C की भविष्यवाणी कर सकता है?" यह वास्तविक कनेक्शन खोजने में बहुत सटीक (हाई रिकॉल) है, लेकिन 100 लोगों वाले कमरे में, यह अभिभूत हो जाता है। यह सोचने लगता है कि हर कोई हर किसी से बात कर रहा है, जिससे गलत अलार्मों से भरा एक अस्त-व्यस्त नक्शा बन जाता है।
"स्कोरकीपर" (स्कोर-बेस्ड मेथड्स): यह दृष्टिकोण डेटा के साथ फिट होने के लिए अंक देकर सबसे अच्छे नक्शे का अनुमान लगाने की कोशिश करता है। हालाँकि, यह "शायद" वाले कनेक्शनों की एक धुंधली सूची तैयार करता है। इसे एक वास्तविक नक्शे में बदलने के लिए, आपको एक मनमाना कटऑफ लाइन चुनना पड़ता है (जैसे, "0.5 से ऊपर का कुछ भी कनेक्शन है")। यह एक धुंधली फोटो को काटने जैसा है; आप अक्सर वास्तविक लोगों को काट देते हैं या बैकग्राउंड के शोर को रख लेते हैं।

समाधान: GRACE (एक स्मार्ट फिल्टर)

GRACE एक दो-चरणीय प्रक्रिया का उपयोग करके दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है। इसे एक नौकरी के लिए भर्ती प्रक्रिया के रूप में सोचें।

चरण 1: एक विस्तृत जाल (कंकाल/Skeleton)

सबसे पहले, GRACE "सख्त जासूस" (जैसे CDNOTS नामक विधि) का उपयोग करके एक बहुत ही विस्तृत जाल फेंकता है। इसे अभी तक परफेक्ट होने की चिंता नहीं है; यह बस यह सुनिश्चित करना चाहता है कि यह किसी भी महत्वपूर्ण व्यक्ति को मिस न कर दे।

परिणाम: यह एक "उम्मीदवार सूची" (कंकाल) तैयार करता है जिसमें लगभग वे सभी शामिल होते हैं जो हो सकते हैं कि जुड़े हुए हों। यह सभी वास्तविक कनेक्शनों को पकड़ लेता है, लेकिन इसमें बहुत सारा शोर (फाल्स पॉजिटिव) भी शामिल होता है।
उपमा: कल्पना कीजिए कि एक रिक्रूटर 10 नौकरियों के लिए 1,000 लोगों का साक्षात्कार लेता है। वे योग्य उम्मीदवारों को खोजने में तो बहुत अच्छे हैं, लेकिन वे गलती से 990 अयोग्य लोगों को भी सूची में शामिल कर लेते हैं।

चरण 2: गेटेड फिल्टर (परिष्करण/Refinement)

यहीं GRACE चमकता है। यह उस अव्यवस्थित उम्मीदवार सूची को लेता है और उसे एक विशेष गेटेड न्यूरल मॉडल से गुजारता है।

"हार्ड कॉंक्रीट गेट" (Hard Concrete Gate): कल्पना कीजिए कि सूची पर मौजूद हर कनेक्शन के सामने एक गेट है। यह गेट "हार्ड कॉंक्रीट" से बना है। यह केवल दो में से एक स्थिति में हो सकता है: पूरी तरह से खुला (1) या पूरी तरह से बंद (0)। यह "आधा खुला" नहीं हो सकता।
यह कैसे सीखता है: मॉडल डेटा को देखता है और पूछता है, "यदि मैं इस कनेक्शन को खुला रखूँ, तो क्या यह वास्तव में भविष्य की बेहतर भविष्यवाणी करने में मेरी मदद करेगा?"
- यदि कनेक्शन वास्तविक है, तो गेट खुला रहता है।
- यदि कनेक्शन केवल शोर (एक गलत अलार्म) है, तो गेट बंद हो जाता है।
जादू: अन्य विधियों के विपरीत, जो आपको "शायद 70% संभावना" जैसी धुंधली जानकारी देती हैं, GRACE के गेट एक साफ निर्णय लेने के लिए मजबूर करते हैं। गणित यह सुनिश्चित करता है कि गेट स्वाभाविक रूप से एक "बाइमोडल" आकार में सेट हो जाएं—या तो स्पष्ट रूप से खुले या स्पष्ट रूप से बंद। इसका मतलब है कि आपको यह अनुमान लगाने की ज़रूरत नहीं है कि रेखा कहाँ खींचनी है; रेखा स्वाभाविक रूप से बीच में होती है।

यह एक बड़ी बात क्यों है?

पेपर का दावा है कि GRACE तीन प्रमुख सिरदर्दों को हल करता है:

यह तेज़ है: हर संभावित जोड़ी पर महंगे और धीमे परीक्षण चलाने के बजाय, GRACE तेज़ "चरण 1" की सूची का उपयोग करता है और केवल उन्हीं उम्मीदवारों को परिष्कृत करता है जो पहले से ही सूची में हैं। यह सबसे सटीक (लेकिन धीमे) विकल्पों की तुलना में 75 गुना तेज़ चलता है।
यह हाई-डायमेंशन को संभालता है: जब आपके पास 100 वेरिएबल्स (कमरे में लोग) होते हैं, तो अधिकांश विधियाँ विफल हो जाती हैं। GRACE वास्तव में समस्या जितनी बड़ी होती है, उतना ही बेहतर होता जाता है, और वहां उच्च सटीकता बनाए रखता है जहां अन्य विधियाँ ढह जाती हैं।
यह वास्तविक दुनिया में काम करता है: लेखकों ने एल्बे नदी (Elbe River) के जल स्तर के वास्तविक डेटासेट पर GRACE का परीक्षण किया।
- चुनौती: नदियाँ अव्यवस्थित होती हैं। वर्षा एक छिपे हुए "कन्फाउंडर" (एक तीसरा पक्ष जो अपस्ट्रीम और डाउनस्ट्रीम दोनों को प्रभावित करता है) के रूप में कार्य करती है, और पानी मौसम के अनुसार अलग-अलग गति से बहता है।
- परिणाम: एक मानक विधि ने सभी वास्तविक नदी कनेक्शन खोज लिए लेकिन इसमें 106 नकली कनेक्शन भी जोड़ दिए (जिससे नक्शा बेकार हो गया)। GRACE ने, एक विशेष "बूटस्ट्रैप" तकनीक का उपयोग करते हुए (डेटा को कई अलग-अलग समय अंतराल में टेस्ट करना), 11 में से 9 वास्तविक कनेक्शनों को बनाए रखा और केवल 1 नकली कनेक्शन को ही रखा। इसने नक्शे को 99% तक साफ कर दिया।

सारांश

GRACE एक भीड़ भरी पार्टी के लिए एक स्मार्ट बाउंसर की तरह है।

पहले, यह उन सभी को अंदर आने देता है जो हो सकते हैं कि सदस्य हों (हाई-रिकॉल कंकाल)।
फिर, यह वास्तव में बातचीत का हिस्सा होने वाले हर व्यक्ति को बाहर निकालने के लिए एक सख्त, बाइनरी गेट सिस्टम का उपयोग करता है।
परिणाम एक साफ, सटीक नक्शा है कि वास्तव में कौन किससे बात कर रहा है, जिसे बिना किसी मनमाने कटऑफ पॉइंट के अनुमान के, तेज़ी से खोजा गया है।

लेख का निष्कर्ष है कि यह विधि जटिल प्रणालियों जैसे कि जलवायु पैटर्न, जीन नेटवर्क और वित्तीय बाजारों का विश्लेषण करने के लिए एक महत्वपूर्ण कदम है, जहाँ कारण-और-प्रभाव (cause-and-effect) को समझना महत्वपूर्ण है लेकिन कठिन भी है।

तकनीकी सारांश: GRACE – उच्च-आयामी समय श्रृंखला (High-Dimensional Time Series) में सटीक कारण संबंधी किनारों की खोज के लिए गेटेड रिफाइनमेंट (Gated Refinement)

समस्या विवरण

अवलोकनात्मक बहुभिन्नरूपी समय श्रृंखला (observational multivariate time series) से कारण संबंधी संबंधों (causal relationships) का अनुमान लगाना जलवायु विज्ञान और तंत्रिका विज्ञान से लेकर वित्त और जीन विनियमन जैसे क्षेत्रों में एक मौलिक चुनौती है। जैसे-जैसे डेटासेट परस्पर क्रिया करने वाले दर्जनों या सैकड़ों चरों ( $d$ ) तक विस्तृत होता जा रहा है, मौजूदा कारण खोज विधियाँ (causal discovery methods) स्केलेबिलिटी और सटीकता के बीच महत्वपूर्ण समझौते का सामना करती हैं:

प्रतिबंध-आधारित विधियाँ (Constraint-based methods) (जैसे, PCMCI, CDNOTS) सशर्त स्वतंत्रता (conditional independence - CI) परीक्षणों के माध्यम से सांख्यिकीय कठोरता प्रदान करती हैं, लेकिन बड़े पैमाने पर संघर्ष करती हैं। जबकि तेज़ रैखिक परीक्षण (जैसे, आंशिक सहसंबंध/partial correlation) उच्च रिकॉल (recall) प्रदान करते हैं, वे उच्च आयामों में गैर-रैखिक निर्भरताओं को न पकड़ पाने के कारण निम्न परिशुद्धता (low precision) से ग्रस्त होते हैं। इसके विपरीत, महंगे गैर-रैखिक CI परीक्षण (जैसे, RCoT, KCIT) सटीकता में सुधार करते हैं लेकिन कम्प्यूटेशनल रूप से अत्यधिक खर्चीले ( $O(n^3)$ या उससे अधिक) होते हैं।
स्कोर-आधारित और अटेंशन-आधारित विधियाँ (जैसे, CUTS+, TCDF, NGC) स्पष्ट CI परीक्षणों के बिना काम करती हैं या निरंतर एज स्कोर्स (जैसे, L1 दंड, अटेंशन वेट्स, Gumbel-Softmax संभावनाओं) पर निर्भर करती हैं। इन विधियों को ग्राफ को बाइनरी बनाने के लिए मनमाने पोस्ट-हॉक थ्रेशोल्ड (post-hoc thresholds) की आवश्यकता होती है, जो अक्सर संकीर्ण और ओवरलैपिंग स्कोर वितरणों का परिणाम देते हैं, जिससे मजबूत बाइनरी निर्णय लेना कठिन हो जाता है।

मुख्य समस्या उच्च-आयामी समय श्रृंखला के लिए गैर-रैखिक CI परीक्षणों की कम्प्यूटेशनल लागत या मनमाने थ्रेशोल्डिंग की संवेदनशीलता के बिना, उच्च-परिशुद्धता (high precision) वाला कारण संबंधी किनारों (causal edge) की खोज प्राप्त करना है।

कार्यप्रणाली: GRACE फ्रेमवर्क

GRACE (Gated Refinement for Accurate Causal Edge discovery) एक दो-चरणीय फ्रेमवर्क प्रस्तावित करता है जो एक गेटेड न्यूरल मॉडल और $L_0$ रेगुलराइजेशन का उपयोग करके एक उच्च-रिकॉल वाले कंस्ट्रेंट-बेस्ड स्केलेटन (skeleton) को परिष्कृत (refine) करता है।

1. चरण एक: उच्च-रिकॉल स्केलेटन जनरेशन

प्रक्रिया एक मानक कंस्ट्रेंट-बेस्ड विधि (जैसे, CDNOTs या PCMCI) से शुरू होती है जो तेज़ रैखिक CI परीक्षणों (आंशिक सहसंबंध) का उपयोग करके एक संभावित स्केलेटन $S$ उत्पन्न करती है। यह चरण रिकॉल (recall) को प्राथमिकता देता है, यह सुनिश्चित करते हुए कि वास्तविक कारण ग्राफ (causal graph) उस संभावित किनारों का एक उपसमुच्चय (subset) है, भले ही स्केलेटन में कई फाल्स पॉजिटिव (false positives) हों।

2. चरण दो: गेटेड रिफाइनमेंट (Gated Refinement)

एक एकल गेटेड न्यूरल मॉडल स्केलेटन को परिष्कृत करता है, यह सीखकर कि कौन से संभावित पैरेंट किनारे (parent edges) वास्तव में भविष्यवाणी में सुधार करते हैं।

आर्किटेक्चर: प्रत्येक प्रभाव चर (effect variable) $e$ के लिए, मॉडल लैग्ड इनपुट्स (lagged inputs) को हिडन रिप्रेजेंटेशन में मैप करने के लिए एक साझा रैखिक एनकोडर का उपयोग करता है। एक हार्ड कॉंक्रिट गेट (Hard Concrete gate) $z_{c,\ell,e}$ प्रत्येक संभावित पैरेंट किनारे $(c, \ell) \to e$ को स्वतंत्र रूप से नियंत्रित करता है। एग्रीगेटेड रिप्रेजेंटेशन को लक्ष्य चर की भविष्यवाणी करने के लिए एक प्रति-प्रभाव डिकोडर (MLP) के माध्यम से पारित किया जाता है।
हार्ड कॉंक्रिट गेट्स (Hard Concrete Gates): निरंतर अटेंशन वेट्स या Gumbel-Softmax रिलैक्सेशन के विपरीत, हार्ड कॉंक्रिट गेट्स को ठीक 0 या 1 के पास संभाव्यता द्रव्यमान (probability mass) केंद्रित करने के लिए पैरामीटराइज किया जाता है।
- प्रशिक्षण (Training): गेट्स को तापमान $\tau$ और स्ट्रेच पैरामीटर्स $\gamma, \zeta$ के साथ रीपैरामीट्राइजेशन के माध्यम से सैंपल किया जाता है।
- अनुमान (Inference): सिग्मॉइड ट्रांसफॉर्मेशन का उपयोग करके नियत (deterministic) गेट्स की गणना की जाती है। "स्ट्रेच-एंड-क्लैंप" तंत्र यह सुनिश्चित करता है कि प्रशिक्षित गेट्स एक बाइमोडल वितरण (bimodal distribution) की ओर अभिसरित हों: $z \approx 0$ (किनारा अनुपस्थित) या $z \approx 1$ (किनारा उपस्थित)।
$L_0$ रेगुलराइजेशन: प्रशिक्षण उद्देश्य भविष्यवाणी के नेगेटिव लॉग-लाइक्लीहुड (NLL) और एक विश्लेषणात्मक $L_0$ $L_{0}$ पेनल्टी टर्म को कम करना है। पेनल्टी स्पर्सिटी (sparsity) को प्रोत्साहित करती है, जिससे गेट की संभावनाएँ शून्य की ओर बढ़ती हैं।
- अनुकूली रेगुलराइजेशन (Adaptive Regularization): एक प्रमुख योगदान $\lambda$ के लिए एक अनुभवजन्य रूप से व्युत्पन्न नियम (Eq. 12) है, जो समस्या के आयामों ( $d, T$ ) और इनपुट स्केलेटन के घनत्व ( $\rho_S$ ) के अनुसार अनुकूलित होता है। यह प्रति-एज थ्रेशोल्ड ट्यूनिंग की आवश्यकता को समाप्त करता है।
निर्णय सीमा (Decision Boundary): गेट वैल्यूज के बाइमोडल वितरण के कारण, एक प्राकृतिक थ्रेशोल्ड 0.5 वास्तविक किनारों को गलत किनारों से मजबूती से अलग करता है, जो अन्य विधियों के संकीर्ण स्कोर वितरणों के विपरीत है।

3. वास्तविक दुनिया की चुनौतियों को संभालना

गैर-स्थिर (non-stationary) वास्तविक दुनिया के डेटा (जैसे, छिपे हुए कन्फाउंडर्स के साथ नदी का प्रवाह) के लिए, यह पेपर एक टेम्पोरल बूटस्ट्रैप वेरिएंट (temporal bootstrap variant) पेश करता है। GRACE को यादृच्छिक टेम्पोरल विंडोज़ पर लागू किया जाता है, और किनारों को केवल तभी रखा जाता है जब वे लगातार दिखाई देते हैं (जैसे, $>70\%$ रन में)। यह स्थिर कारण संकेतों को क्षणिक कन्फाउंडिंग (transient confounding) से अलग करता है, जिसके लिए डोमेन-विशिष्ट ह्यूरिस्टिक्स की आवश्यकता नहीं होती है।

मुख्य योगदान

GRACE फ्रेमवर्क: एक नवीन रिफाइनमेंट स्टेज जो हार्ड कॉंक्रिट गेट्स के साथ $L_0$ रेगुलराइजेशन का उपयोग करके उच्च-रिकॉल स्केलेटन को उच्च-परिशुद्धता वाले कारण ग्राफ में बदल देता है। यह विधि स्केलेटन के स्रोत के प्रति उदासीन (agnostic) है (CDNOTS और PCMCI के साथ प्रदर्शित)।
अनुकूली रेगुलराइजेशन नियम: $\lambda$ के लिए एक अनुभवजन्य रूप से व्युत्पन्न सूत्र जो समस्या के आयामों और स्केलेटन घनत्व के साथ स्केल करता है, साथ ही $L_0$ नॉर्मलाइजेशन जो रेगुलराइजेशन को बैच साइज से अलग करता है।
मजबूत बाइनरी निर्णय: हार्ड कॉंक्रिट तंत्र किनारों की संभाव्यता के लिए एक स्वच्छ बाइमोडल पृथक्करण (bimodal separation) उत्पन्न करता है, जो 0.5 निर्णय सीमा को मजबूत बनाता है और मनमाने पोस्ट-हॉक थ्रेशोल्ड ट्यूनिंग की आवश्यकता को हटा देता है।
वास्तविक दुनिया का सत्यापन: एल्बे नदी (Elbe River) नेटवर्क पर मूल्यांकन यह प्रदर्शित करता है कि यह विधि छिपे हुए कन्फाउंडर्स, वेरिएबल लैग्स और डिस्ट्रिब्यूशनल शिफ्ट्स को संभालने में सक्षम है, और 11 में से 9 वास्तविक किनारों को केवल 1 फाल्स पॉजिटिव के साथ रिकवर करती है।

प्रयोगात्मक परिणाम

सिंथेटिक बेंचमार्क

प्रयोग स्ट्रक्चरल कॉज़ल प्रोसेस (SCPs) पर किए गए थे जिनकी विमाएँ $d \in \{20, \dots, 100\}$ और सैंपल आकार $T \in \{300, \dots, 2000\}$ थे।

प्रदर्शन: GRACE बेसलाइन से काफी बेहतर प्रदर्शन करता है। $d=100$ और $T=1000$ पर, GRACE 0.920 का F1 स्कोर प्राप्त करता है, जबकि बेस CDNOTS का 0.531 और स्कोर-आधारित CUTS+ (पेयर-लेवल) का 0.055 है।
प्रिसिजन-रिकॉल ट्रेड-ऑफ: जबकि CDNOTS उच्च रिकॉल (~~95%) बनाए रखता है लेकिन निम्न परिशुद्धता (~~37%) से ग्रस्त है, GRACE उच्च रिकॉल (~87%) को बनाए रखते हुए परिशुद्धता को 97.4% तक बढ़ाता है।
दक्षता: GRACE, स्केलेटन के भीतर महंगे गैर-रैखिक CI परीक्षणों (RCoT) का उपयोग करने की तुलना में लगभग 75 गुना तेज़ है, जबकि मध्यम सैंपल आकार पर तुलनीय या बेहतर F1 स्कोर प्राप्त करता है।
सामान्यीकरण (Generalization): विधि विभिन्न स्केलेटन स्रोतों (PCMCI, DYNOTEARS) और ग्राफ टोपोलॉजी (स्केल-फ्री, एर्डोस-रेनी, स्मॉल-वर्ल्ड) में सामान्यीकृत होती है। यह नॉन-एडिटिव मैकेनिज्म (Lorenz-96) पर भी प्रभावी रहती है, बावजूद इसके कि मॉडल एडिटिव धारणा पर आधारित है।

वास्तविक दुनिया का मूल्यांकन (एल्बे नदी)

एल्बे नदी के 12 गेजिंग स्टेशनों के डेटासेट ( $T=3,164$ ) पर, मानक विधियाँ सर्वव्यापी कन्फाउंडिंग (वर्षा) के कारण विफल रहीं।

CDNOTS स्केलेटन: इसने सभी 11 वास्तविक किनारों को रिकवर किया लेकिन 106 फाल्स पॉजिटिव उत्पन्न किए (F1 = 0.17)।
GRACE-Bootstrap: टेम्पोरल बूटस्ट्रैपिंग लागू करके, इस विधि ने फाल्स पॉजिटिव को 99% तक कम कर दिया, जिससे 1 फाल्स पॉजिटिव के साथ 9 वास्तविक किनारों को रिटेन किया गया (F1 = 0.86, AUROC = 0.99)।

महत्व और दावे

पेपर का दावा है कि GRACE उच्च-आयामी कारण खोज की महत्वपूर्ण बाधा को संबोधित करता है, जो कंस्ट्रेंट-बेस्ड विधियों की सांख्यिकीय कठोरता और न्यूरल दृष्टिकोणों की स्केलेबिलिटी के बीच के अंतर को पाटता है।

लागत-दक्षता: यह एक अंश लागत पर महंगे गैर-रैखिक CI परीक्षणों की सटीकता प्राप्त करता है।
मजबूती: बाइमोडल गेट वितरण एक सिद्धांत-आधारित, थ्रेशोल्ड-मुक्त चयन तंत्र प्रदान करता है, जो मनमाने कटऑफ के प्रति संवेदनशीलता को समाप्त करता है जो स्कोर-आधारित विधियों को प्रभावित करती है।
व्यावहारिकता: अनुकूली रेगुलराइजेशन नियम और टेम्पोरल बूटस्ट्रैप वेरिएंट इसे उन वास्तविक दुनिया के परिदृश्यों के लिए लागू करने योग्य बनाते जहाँ स्टेशनैरिटी और कॉज़ल सफिशिएंसी जैसी धारणाओं का उल्लंघन होता है।

लेखक सीमाओं को नोट करते हैं, विशेष रूप से यह कि अत्यंत घने ग्राफ (जैसे, बहुत उच्च $d$ पर स्केल-फ्री हब्स) में, प्रति किनारे सिग्नल-टू-नॉइज़ अनुपात कम हो सकता है, जिससे बाइनरी F1 स्कोर घट सकता है, हालांकि AUROC उच्च रहता है। इसके अतिरिक्त, पूरी तरह से सिमेट्रिक नॉन-लीनियर डिपेंडेंसी जो कोई लीनियर एसोसिएशन उत्पन्न नहीं करती हैं, उन्हें प्रारंभिक लीनियर स्केलेटन द्वारा मिस किया जा सकता है, हालांकि इसे उच्च कम्प्यूटेशनल लागत पर कम किया जा सकता है।