🤖 machine learning

A Causal Foundation Model for Structure and Outcome Prediction

यह शोध पत्र TabPFN-CFM को प्रस्तुत करता है, जो एक सिंथेटिक डेटा पर प्रशिक्षित कॉज़ल फाउंडेशन मॉडल है जो वास्तविक दुनिया के डेटासेट पर सामान्यीकरण करता है ताकि पर्ल के कॉज़ल पदानक्रम (Pearl's Causal Hierarchy) के सभी स्तरों पर प्रश्नों का समर्थन करते हुए, साथ ही कॉज़ल संरचनाओं और परिणामों की भविष्यवाणी कर सके।

मूल लेखक: Max Zhu, Martino Mansoldo, Ching-Hao Wang, Stefan Groha

प्रकाशित 2026-06-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Max Zhu, Martino Mansoldo, Ching-Hao Wang, Stefan Groha

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 सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल पुरानी, बिना क्रम वाली तस्वीरों का ढेर (अवलोकन संबंधी डेटा) है और कोई गवाह नहीं है। आपको दो चीजें पता लगानी हैं:

कहानी: किसने क्या किया? (क्या बारिश के कारण घास गीली हुई, या किसी ने बाल्टी गिरा दी थी?)
"क्या होता अगर" (The "What If"): यदि आपने कुछ अलग किया होता, तो क्या होता? (यदि आपने बाल्टी नहीं गिराई होती, तो क्या घास फिर भी गीली होती?)

आमतौर पर, इसे हल करने के लिए एक मानव विशेषज्ञ की आवश्यकता होती है जो दुनिया के नियमों का अनुमान लगा सके, या एक कंप्यूटर को एक-एक करके लाखों अनुमान लगाने की आवश्यकता होती है। यह पेपर TabPFN-CFM नामक एक नए प्रकार के "सुपर-डिटेक्टिव" AI को पेश करता है, जिसने पहले से ही लाखों काल्पनिक रहस्य कहानियों की एक लाइब्रेरी पढ़ ली है। क्योंकि इसने इतने सारे विभिन्न परिदृश्य देखे हैं, यह आपकी अव्यवस्थित तस्वीरों को देख सकता है और तुरंत कहानी का अनुमान लगा सकता है और आपके "क्या होता अगर" वाले सवालों के जवाब दे सकता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "कॉज़ल फाउंडेशन मॉडल" (द सुपर-डिटेक्टिव)

इस मॉडल को एक ऐसे छात्र के रूप में सोचें जिसने अपना पूरा जीवन सिंथेटिक (नकली) दुनिया की एक विशाल लाइब्रेरी का अध्ययन करने में बिताया है। इन नकली दुनियाओं में, लेखकों ने हजारों अलग-अलग नियम बनाए: कभी गुरुत्वाकर्षण अलग तरह से काम करता है, कभी लोग बेतरतीब ढंग से व्यवहार करते हैं, और कभी छिपे हुए कारक (जैसे एक गुप्त एजेंट) चीजों को बिगाड़ देते हैं।

क्योंकि इस छात्र ने इतने सारे बदलाव देखे हैं, जब आप उसे एक वास्तविक डेटासेट (जैसे बिक्री के आंकड़े या स्कूल के ग्रेड) दिखाते हैं, तो उसे नियमों को शून्य से सीखने की आवश्यकता नहीं होती। वह बस कहता है, "आह, यह मेरे पुस्तकालय से परिदृश्य #4,592 जैसा दिखता है," और वह तुरंत संभावित कारण-और-प्रभाव संबंधों को जान जाता है।

2. रहस्य के तीन स्तरों को सुलझाना

पेपर का दावा है कि यह मॉडल तीन अलग-अलग प्रकार के प्रश्नों को संभाल सकता है, जिन्हें लेखक "कॉज़ल पदानुक्रम" (Causal Hierarchy) कहते हैं:

स्तर 1: ऑब्जर्वर (क्या हो रहा है?)
- प्रश्न: "डेटा को देखते हुए, यदि कोई लाल शर्ट खरीदता है, तो क्या वे टोपी भी खरीदते हैं?"
- मॉडल का काम: यह जो देखता है उसके आधार पर परिणाम की भविष्यवाणी करता है।
** स्तर 2: इंटरवेनर (यदि मैं कुछ बदल दूँ तो क्या होगा?)**
- प्रश्न: "यदि मैं सबको लाल शर्ट खरीदने के लिए मजबूर कर दूँ (भले ही वे नहीं खरीदना चाहते हों), तो क्या वे टोपी खरीदेंगे?"
- मॉडल का काम: यह पेचीदा है क्योंकि वास्तविक दुनिया ने ऐसा नहीं किया था। मॉडल परिवर्तन का अनुकरण (simulate) करता है ताकि परिणाम की भविष्यवाणी की जा सके।
स्तर 3: टाइम ट्रैवलर (यदि चीजें अतीत में अलग होतीं तो क्या होता?)
- प्रश्न: "जॉन ने एक टोपी और एक लाल शर्ट खरीदी। लेकिन क्या होता यदि उसने लाल शर्ट नहीं खरीदी होती? क्या वह फिर भी टोपी खरीदता?"
- मॉडल का काम: यह सबसे कठिन है। इसके लिए अन्य तथ्यों को स्थिर रखते हुए सिमुलेशन में समय को पीछे ले जाने की आवश्यकता होती है। पेपर कहता है कि यह मॉडल उन कुछ चुनिले मॉडलों में से एक है जो यह काम अच्छी तरह से कर सकता है।

3. "छिपा हुआ विलेन" (अनऑब्जर्व्ड कॉन्फ़ाउंडर्स)

कई वास्तविक दुनिया के रहस्यों में, एक "छिपा हुआ विलेन" होता है जिसे आप देख नहीं सकते। उदाहरण के लिए, शायद एक छिपा हुआ कारक (जैसे "धन") लाल शर्ट और टोपी दोनों खरीदने का कारण बनता है। यदि आप "धन" के बारे में नहीं जानते हैं, तो आप गलत तरीके से सोच सकते हैं कि शर्ट टोपी का कारण बनती है।

पेपर एक विशेष उपकरण पेश करता है जिसे ADMG (एसाइक्लिक डायरेक्टेड मिक्स्ड ग्राफ) कहा जाता है। कल्पना कीजिए कि यह एक मानचित्र है जो दो प्रकार की रेखाएं खींचता है:

तीर (Arrows): प्रत्यक्ष कारण-और-प्रभाव दिखाना (A का कारण B है)।
दो सिरों वाली टेढ़ी-मेढ़ी रेखाएं: "छिपे हुए विलेन्स" को दिखाना (A और B दोनों किसी ऐसी चीज़ से प्रभावित हो रहे हैं जिसे आप देख नहीं पा रहे हैं)।

TabPFN-CFM अद्वितीय है क्योंकि यह इन टेढ़ी-मेढ़ी रेखाओं को स्वचालित रूप से खींच सकता है, यह अनुमान लगा सकता है कि छिपे हुए विलेन्स कहाँ हो सकते हैं, भले ही आपने उन्हें मौजूद होने के बारे में नहीं बताया हो।

4. "चीट शीट" का उपयोग करना (ज्ञात ग्राफ)

कभी-कभी, आप कहानी का कुछ हिस्सा जानते हैं। शायद एक विशेषज्ञ ने आपको बताया, "हम निश्चित रूप से जानते हैं कि A का कारण B है।"
पेपर दिखाता है कि यदि आप इस जानकारी को मॉडल को देते हैं (जैसे जासूस को चीट शीट थमाना), तो यह मॉडल अपने अनुमानों को और बेहतर बनाने के लिए इस ज्ञात संरचना का उपयोग करता है। यह रहस्य के बाकी हिस्सों के बारे में अपने अनुमानों को परिष्कृत करने के लिए इस ज्ञात संरचना का उपयोग करता है।

5. इसने कैसे सीखा (प्रशिक्षण)

इसे शुरू में वास्तविक मानवीय डेटा पर प्रशिक्षित नहीं किया गया था। इसके बजाय, शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम लिखा जो यादृच्छिक नियमों, यादृच्छिक शोर (noise) और छिपे हुए चरों के साथ लाखों नकली डेटासेट उत्पन्न करता है।

उन्होंने मॉडल को एक नकली डेटासेट को देखना और उसकी संरचना (मैप) और परिणाम (परिणाम) का अनुमान लगाना सिखाया।
उन्होंने इसे तीनों स्तरों के प्रश्नों (ऑब्जर्वर, इंटरवेनर, टाइम ट्रैवलर) के लिए एक साथ यह सब करने के लिए प्रशिक्षित किया।
परिणाम: जब उन्होंने वास्तविक डेटा (जैसे Amazon सेल्स या लॉ स्कूल एडमिशन) पर इसका परीक्षण किया, तो इसने पुराने तरीकों की तुलना में बेहतर प्रदर्शन किया, विशेष रूप से "क्या होता अगर" वाले सवालों के लिए।

6. "स्पीड अपग्रेड"

लेखक इसके "इंजन" (आर्किटेक्चर) में भी बदलाव का उल्लेख करते हैं। उन्होंने कुछ अनावश्यक हिस्सों को हटा दिया और नए प्रशिक्षण कौशल (जैसे "Muon" नामक बेहतर ऑप्टिमाइज़र और "ReLU2" नामक नया एक्टिवेशन फंक्शन) जोड़े।

उपमा: कल्पना कीजिए कि आप एक कार के इंजन को अपग्रेड कर रहे हैं। उन्होंने केवल कार को तेज़ नहीं बनाया; उन्होंने इसे कम ईंधन (कंप्यूटेशनल पावर) का उपयोग करते हुए 4 गुना तेज़ी से शीर्ष गति तक पहुँचाने के योग्य बनाया। इसका मतलब है कि मॉडल बहुत अधिक कुशलता से सीखता है।

सारांश के दावे

यह संरचना की भविष्यवाणी करता है: यह कारण-और-प्रभाव का नक्शा बनाता है, जिसमें छिपे हुए कारक भी शामिल हैं।
यह परिणामों की भविष्यवाणी करता है: यह जवाब देता है कि "यदि मैं X को बदल दूँ तो क्या होगा?"
यह काउंटरफैक्चुअल (Counterfactuals) को संभालता है: यह जवाब देता है कि "क्या होता यदि X अलग होता?"
यह ज्ञात मानचित्रों का उपयोग करता है: यदि आप इसे एक आंशिक मानचित्र देते हैं, तो यह सटीकता में सुधार करने के लिए उसका उपयोग करता है।
यह सामान्यीकरण (Generalizes) करता है: हालांकि इसे नकली डेटा पर प्रशिक्षित किया गया था, फिर भी यह वास्तविक दुनिया के डेटा पर अच्छा काम करता है।
यह तेज़ है: नए प्रशिक्षण कौशल इसे प्रशिक्षित करने के लिए 3-4 गुना अधिक कुशल बनाते हैं।

यह पेपर यह दावा नहीं करता है कि यह चिकित्सा निदान या कानूनी अदालतों के लिए तैयार है। यह केवल यह दावा करता है कि जिन डेटासेट्स पर इसका परीक्षण किया गया था (सिंथेटिक गणितीय समस्याएं, Amazon सेल्स, और लॉ स्कूल एडमिशन), उन पर यह नया "सुपर-डिटेक्टिव" कारण-और-प्रभाव का पता लगाने वाले वर्तमान सर्वश्रेष्ठ उपकरणों से बेहतर प्रदर्शन करता है।

तकनीकी सारांश: TabPFN-CFM

समस्या विवरण

अवलोकनात्मक डेटा (observational data) से कारण संरचना (causal structure) और कारण परिणामों (causal outcomes) को निर्धारित करना मशीन लर्निंग और सांख्यिकी में एक महत्वपूर्ण चुनौती बनी हुई है। मौजूदा विधियाँ आमतौर पर इन कार्यों को अलग-अलग रूप में संबोधित करती हैं: कुछ संरचनात्मक भविष्यवाणियों (कारण ग्राफ सीखने) पर ध्यान केंद्रित करती हैं, जबकि अन्य परिणाम भविष्यवाणियों (हस्तक्षेप के प्रभाव का अनुमान लगाने) पर ध्यान केंद्रित करती हैं। इसके अलावा, कई दृष्टिकोण अनपेक्षित कन्फाउंडिंग वेरिएबल्स (unobserved confounding variables) को संभालने में संघर्ष करते हैं, जिससे ग्राफ की पहचान करना असंभव हो सकता है और परिणाम अनुमान पक्षपाती हो सकते हैं। इसके अतिरिक्त, वर्तमान मॉडलों में पर्ल के कॉज़ल पदानुक्रम (Pearl's Causal Hierarchy) द्वारा परिभाषित पूर्ण स्पेक्ट्रम—अवलोकनात्मक (observational), हस्तक्षेप संबंधी (interventional), और प्रतितथ्यात्मक (counterfactual)—को समर्थन देने की क्षमता का अभाव होता है।

कार्यप्रणाली

लेखक TabPFN-CFM प्रस्तुत करते हैं, जो एक कॉज़ल फाउंडेशन मॉडल है जिसे अवलोकनात्मक डेटा से कारण संरचना और परिणामों की संयुक्त रूप से भविष्यवाणी करने के लिए डिज़ाइन किया गया है। यह दृष्टिकोण 'बायेसियन प्रायर-ओवर-फंक्शंस' (PFN) ढांचे पर आधारित है।

मुख्य ढांचा (Core Framework)

मॉडल यह मानता है कि अंतर्निहित प्रणाली एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) $\psi = \{U, V, F\}$ का पालन करती है, जहाँ $U$ अनपेक्षित चर (unobserved variables), $V$ प्रेक्षित चर (observed variables), और $F$ संरचनात्मक समीकरण (structural equations) हैं। मॉडल को $P(\psi | D_{obs}, G_{est})$ के पोस्टीरियर वितरण का अनुमान लगाने के लिए प्रशिक्षित किया जाता है, जहाँ $D_{obs}$ अवलोकनात्मक डेटासेट है और $G_{est}$ ग्राफ का वैकल्पिक पूर्व ज्ञान (prior knowledge) है।

डेटा जनरेशन और प्रशिक्षण

सिंथेटिक प्रायर (Synthetic Priors): मॉडल को SCMs के प्रायर वितरण से उत्पन्न सिंथेटिक डेटासेट्स पर प्रशिक्षित किया गया है। इस प्रायर में रैंडम ग्राफ संरचनाएं (DAGs), मिसिंग नोड्स, विविध नॉइज़ डिस्ट्रीब्यूशन, और रैंडम वेट्स एवं नॉन-लीनियैरिटी के साथ न्यूरल नेटवर्क्स द्वारा परिभाषित स्ट्रक्चरल इक्वेशंस शामिल हैं।
कार्य सूत्रीकरण (Task Formulation): प्रत्येक प्रशिक्षण नमूने में एक फिट सेट ( $D_{fit}$ $D_{f i t}$ ), एक प्रेडिक्शन क्वेरी ( $D_{pred}$ $D_{p r e d}$ ), और एक काउंटरफैक्चुअल सैंपल ( $D_{causal}$ $D_{c a u s a l}$ ) होता है। मॉडल को तीन प्रकार की क्वेरीज़ को एक साथ संभालने के लिए प्रशिक्षित किया गया है:
1. अवलोकनात्मक क्वेरी (Observational Query): $P(y^* | x^*, T=t^*)$ की भविष्यवाणी करना।
2. हस्तक्षेप संबंधी क्वेरी (Interventional Query): $P(y^* | x^*, do(T=1-t^*))$ की भविष्यवाणी करना।
3. प्रतितथ्यात्मक क्वेरी (Counterfactual Query): $P(y^* | x^*, do(T=1-t^*), y=y^*)$ की भविष्यवाणी करना।
ग्राफ हैंडलिंग: मॉडल अनपेक्षित कन्फाउंडिंग को दर्शाने के लिए एसाइक्लिक डायरेक्टेड मिस्ड ग्राफ्स (ADMGs) का उपयोग करता है। यह मॉडल को यह अनुमान लगाने की अनुमति देता है कि सभी चर प्रेक्षित नहीं हैं, जिससे वह कन्फाउंडिंग संरचनाओं की भविष्यवाणी कर सकता है।

आर्किटेक्चर

TabPFN-CFM स्पष्ट ग्राफ कंडीशनिंग के साथ Do-PFN आर्किटेक्चर का विस्तार करता है:

एनकोडर (Encoder): यह फिट सेट, प्रेडिक्शन क्वेरी और प्रायर ADMG संरचना (एडजसेंसी मैट्रिक्स $A$ , बिडायरेक्टेड मैट्रिक्स $C$ , और एंसेस्ट्रल मैट्रिक्स $R$ ) को एम्बेड करता है। ग्राफ एनकोडिंग पैरेंट, चाइल्ड, एंसेस्टर और डिसेंडेंट संबंधों तक सीधी पहुँच प्रदान करती है।
ट्रांसफॉर्मर बैकबोन (Transformer Backbone): यह रो-वाइज (row-wise) और कॉलम-वाइज अटेंशन मैकेनिज्म का उपयोग करता है। महत्वपूर्ण रूप से, प्रेडिक्शन मॉड्यूल ग्राफ एम्बेडिंग्स पर ध्यान केंद्रित (attend) करता है, जिससे भविष्यवाणियाँ ग्राफ प्रायर को शामिल कर पाती हैं।
आउटपुट (Outputs):
- परिणाम भविष्यवाणी (Outcome Prediction): एक हेड डिस्क्रीटाइज्ड आउटकम बकेट्स पर लॉजिट्स (logits) उत्पन्न करता है।
- संरचना भविष्यवाणी (Structure Prediction): एक डिकोडर निर्देशित एडजसेंसी मैट्रिक्स ( $\hat{A}$ ), बिडायरेक्टेड कोरिलेशन मैट्रिक्स ( $\hat{C}$ ), और एंसेस्ट्रल मैट्रिक्स ( $\hat{R}$ ) के लिए एलिमेंट-वाइज भविष्यवाणियां उत्पन्न करता है।
प्रशिक्षण दक्षता: लेखकों ने कई आर्किटेक्चरल और प्रशिक्षण अनुकूलन (जैसे Muon ऑप्टिमाइज़र, ReLU2 एक्टिवेशन, प्री-लेयर नॉर्मलाइजेशन) लागू किए, जिन्होंने बेसलाइन कॉन्फ़िगरेशन की तुलना में प्रशिक्षण गति को लगभग 3-4 गुना बढ़ा दिया।

लॉस फंक्शन (Loss Function)

मॉडल को एक संयुक्त लॉस फंक्शन का उपयोग करके अनुकूलित किया जाता है:
$L = L_{pred} + \lambda \cdot L_{graph}$
जहाँ $L_{pred}$ परिणाम भविष्यवाणी के लिए क्रॉस-एन्ट्रॉपी लॉस है, और $L_{graph}$ संरचनात्मक भविष्यवाणियों (एडजसेंसी, एंसेस्ट्रल, और कन्फाउंडिंग मैट्रिसेस) के लिए बाइनरी क्रॉस-एन्ट्रॉपी लॉस है। परिशिष्ट (appendix) में दिए गए सैद्धांतिक प्रमाणों से पता चलता है कि ग्राफ इनपुट को एक कंडीशन के रूप में शामिल करने से केवल पोस्टीरियर सटीकता में सुधार होता है (या समान रहती है) और लॉग-प्रोबेबिलिटी को मिनिमाइज करना वास्तविक पोस्टीरियर के KL डाइवर्जेंस को मिनिमाइज करने के बराबर है।

मुख्य योगदान

एकीकृत कॉज़ल फाउंडेशन मॉडल: TabPFN-CFM एकल फाउंडेशन मॉडल फ्रेमवर्क के भीतर पर्ल के कॉज़ल पदानुक्रम के तीनों स्तरों पर संरचना और परिणामों दोनों की संयुक्त रूप से भविष्यवाणी करने वाला पहला मॉडल है।
अनपेक्षित कन्फाउंडिंग को संभालना: ADMGs का उपयोग करके, मॉडल अनपेक्षित कन्फाउंडिंग वेरिएबल्स की स्पष्ट रूप से भविष्यवाणी करता है, जो मौजूदा डीप लर्निंग कॉज़ल स्ट्रक्चर लर्निंग विधियों की एक सीमा को संबोधित करता है।
ग्राफ-कंडीशन्ड इन्फरेंस: मॉडल उपलब्ध होने पर ज्ञात ग्राफ संरचनाओं का लाभ उठाकर भविष्यवाणी सटीकता में सुधार करता है, जबकि ग्राफ अज्ञात होने पर भी मजबूत बना रहता है।
दक्षता में सुधार: परिष्कृत प्रशिक्षण प्रक्रिया और आर्किटेक्चरल परिवर्तन पिछले बेसलाइनों की तुलना में लगभग 4 गुना तेज़ प्रशिक्षण अभिसरण (convergence) का परिणाम देते हैं।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन सिंथेटिक डेटासेट्स (इन-डिस्ट्रीब्यूशन और आउट-ऑफ-डिस्ट्रीब्यूशन दोनों) और वास्तविक दुनिया के डेटासेट्स (Amazon Sales और Law School Admissions) पर किया गया।

परिणाम भविष्यवाणी (Outcome Prediction):
- सिंथेटिक आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) SEMs पर, TabPFN-CFM ने इंटरवेंशनल और काउंटरफैक्चुअल सेटिंग्स में स्थापित मेटा-लर्नर्स (S-, T-, X-, DR-learners) और Do-PFN की तुलना में कम मीन स्क्वेर्ड एरर (MSE) प्राप्त किया।
- लॉ स्कूल एडमिशन डेटासेट में, मॉडल ने काउंटरफैक्चुअल जानकारी का उपयोग करके काउंटरफैक्चुअल सेटिंग्स में सटीकता में उल्लेखनीय सुधार किया, और उन बेसलाइन्स से बेहतर प्रदर्शन किया जो ऐसी भविष्यवाणियां नहीं कर सकते।
संरचना भविष्यवाणी (Structure Prediction):
- TabPFN-CFM ने एडजसेंसी, एंसेस्ट्रल और कन्फाउंडिंग मैट्रिसेस की भविष्यवाणी करने में मजबूत बेसलाइन्स (FCI, GES, LiNGAM, PC, AVICI) को पीछे छोड़ दिया।
- विशेष रूप से, OOD सिंथेटिक डेटा पर, मॉडल ने एडजसेंसी के लिए 0.889 और कन्फाउंडिंग मैट्रिसेस के लिए 0.828 का AUROC प्राप्त किया, जो अगले सर्वश्रेष्ठ प्रदर्शनकर्ता (AVICI क्रमशः 0.623 और 0.563) से काफी अधिक है।
ग्राफ कंडीशनिंग: वास्तविक ग्राफ संरचना को इनपुट के रूप में प्रदान करने से इंटरवेंशनल और काउंटरफैक्चुअल सेटिंग्स में प्रदर्शन में सुधार हुआ, लेकिन अवलोकनात्मक भविष्यवाणियों पर इसका नगण्य प्रभाव पड़ा, जो कॉज़ल थ्योरी के अनुरूप है।

महत्व

यह शोध पत्र तर्क देता है कि TabPFN-CFM कॉज़ल इन्फरेंस कार्यों को एकीकृत करने की दिशा में एक कदम है। विविध प्रायर ऑफ कॉज़ल सिस्टम्स पर प्रशिक्षित होकर, यह दृष्टिकोण प्रदर्शित करता है कि फाउंडेशन मॉडल विशिष्ट प्रायर डिस्ट्रीब्यूशन के प्रति ओवरफिट हुए बिना वास्तविक दुनिया की कॉज़ल समस्याओं तक सामान्यीकरण (generalize) कर सकते हैं। अनपेक्षित कन्फाउंडिंग को संभालने और काउंटरफैक्चुअल क्वेरीज़ का समर्थन करने की क्षमता मशीन लर्निंग में अधिक मजबूत कॉज़ल रीजनिंग की ओर एक मार्ग का सुझाव देती है। लेखक उल्लेख करते हैं कि जबकि वर्तमान कार्य अचक्रीय (acyclic) संरचनाओं पर केंद्रित है, भविष्य के विस्तार टाइम सीरीज़ और चक्रीय (cyclic) कॉज़ल सेटिंग्स को संबोधित कर सकते हैं।