तकनीकी सारांश: आउटलेयर घटनाओं के साथ कॉज़ल ग्राफ का खंडन (Falsifying Causal Graphs With Outlier Events)

समस्या विवरण (Problem Statement)

सच्चे कारण संबंधी संबंध (causal relationships) शायद ही कभी पूर्व-निर्धारित रूप से ज्ञात होते हैं, और डेटा से कॉज़ल ग्राफ का अनुमान लगाना एक चुनौतीपूर्ण कार्य बना हुआ है। एक मौलिक कठिनाई किसी दिए गए संभावित कॉज़ल ग्राफ की वैधता का आकलन करने में निहित है, जबकि ग्राउंड ट्रुथ (ground truth) अनुपलब्ध है। जबकि पिछले तरीकों ने इंटरवेंशनल डेटा या वेरिएबल के उपसमुच्चयों (subsets) में निरंतरता जाँच का उपयोग किया है, उनके लिए अक्सर कई नमूनों (samples), कंडीशनल इंडिपेंडेंस ओरेकल तक पहुँच, या विशिष्ट पैरामेट्रिक रूपों की आवश्यकता होती है। क्लाउड मॉनिटरिंग या मैन्युफैक्चरिंग जैसे व्यावहारिक परिवेशों में, दुर्लभ विसंगतिपूर्ण घटनाओं (anomalous events) के कई नमूने एकत्र करना अत्यधिक महंगा या असंभव हो सकता है। इसके अलावा, केवल ऑब्जर्वेशनल डेटा का उपयोग करके कॉज़ल मॉडल को खंडित करने वाले मौजूदा तरीकों में अक्सर नियंत्रित फाल्स पॉजिटिव रेट के साथ वैध सांख्यिकीय परीक्षणों का अभाव होता है।

यह कार्य एकल आउटलेयर सैंपल (single outlier sample) का उपयोग करके एक संभावित कॉज़ल ग्राफ के खंडन की समस्या को संबोधित करता है। लक्ष्य $H_0: \hat{G} = G$ के शून्य परिकल्पना (null hypothesis) का परीक्षण करना है, जहाँ $\hat{G}$ एक अनुमानित कॉज़ल ग्राफ है और $G$ वास्तविक कॉज़ल ग्राफ है, जो आउटलेयर घटनाओं के प्रसार (propagation) लक्षणों का लाभ उठाता है।

कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण इस सिद्धांत पर आधारित है कि कमजोर आउटलेयर्स शायद ही कभी मजबूत आउटलेयर्स का कारण बनते हैं। इस सिद्धांत का उपयोग पहले रूट कॉज एनालिसिस (root cause analysis) में बिना पूर्व ग्राफ ज्ञान के कारणों की पहचान करने के लिए किया गया था, जिसे यहाँ ग्राफ को खंडित करने के लिए उलट दिया गया है: यदि एक संभावित ग्राफ इस सिद्धांत के साथ असंगत आउटलेयर प्रसार पैटर्न को दर्शाता है, तो ग्राफ को खारिज कर दिया जाता है।

मुख्य अवधारणाएं (Core Concepts)

1. आउटलेयर मॉडलिंग (Outlier Modeling): आउटलेयर्स को रूट कॉज वेरिएबल्स $R$ के एक उपसमुच्चय पर "सॉफ्ट-इंटरवेंशन" के परिणाम के रूप में मॉडल किया गया है। एक आउटलेयर सैंपल का वितरण वास्तविक वितरण का एक "संक्रमित" (corrupted) संस्करण है जहाँ $R$ के वेरिएबल्स के लिए तंत्र (mechanisms) बदल दिए गए हैं।
2. सूचना-सैद्धांतिक (IT) आउटलेयर स्कोर: विधि में IT आउटलेयर स्कोर का उपयोग किया गया है जो $S(x) = -\log P(\text{event})$ द्वारा परिभाषित है।
   • मार्जनल स्कोर (Marginal Scores): $S(x_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i))$।
   • कंडीशनल स्कोर (Conditional Scores): $S(x_i | pa_i) = -\log P(\tau_i(X_i) \geq \tau_i(x_i) | PA_i = pa_i)$।
     शून्य परिकल्पना के तहत कि ग्राफ सही है और सैंपल साधारण तंत्र (रूट कॉज को छोड़कर) से लिया गया है, ये स्कोर स्वतंत्र मानक एक्सपोनेंशियल डिस्ट्रीब्यूशन, $\text{Exp}(1)$ का पालन करते हैं।

सांख्यिकीय परीक्षण (Statistical Tests)

लेखक $H_0$ को खारिज करने के लिए चार सांख्यिकीय परीक्षण प्रस्तावित करते हैं। इन परीक्षणों को फाल्स पॉजिटिव कंट्रोल (वैध p-मान) और विशिष्ट गलत ग्राफ वर्गों के विरुद्ध पावर गारंटी देने के लिए डिज़ाइन किया गया है।

1. कंडीशनल स्कोर टेस्ट (ज्ञात रूट कॉज के आधार पर)

जब रूट कॉज $R$ ज्ञात होते हैं और ग्राफ एक डायरेक्टेड एसाइक्लिक ग्राफ (DAG) होता है, तो गैर-रूट वेरिएबल्स के कंडीशनल स्कोर स्वतंत्र $\text{Exp}(1)$ वेरिएबल्स होते हैं। पेपर निम्नलिखित प्रस्तावित करता है:

• फिशर-आधारित टेस्ट (Fisher-based Test): यह कंडीशनल स्कोर को जोड़ता है ($S_{sum}$)। p-मान एरलैंग डिस्ट्रीब्यूशन (एक्सपोनेंशियल का योग) से प्राप्त किया जाता है।
• टिपेट-आधारित टेस्ट (Tippett-based Test): यह अधिकतम कंडीशनल स्कोर ($S_{max}$) का उपयोग करता है। p-मान एक्सपोनेंशियल के अधिकतम के वितरण से प्राप्त होता है।
• बाइनोमियल टेस्ट (Binomial Test): यह एक थ्रेशोल्ड $t$ से अधिक स्कोर की संख्या ($N_t$) को गिनता है। p-मान बाइनोमियल डिस्ट्रीब्यूशन का पालन करता है।
• कोलमोगोरोव-स्मिरनोव (KS) टेस्ट: यह स्कोर के एम्पिरिकल CDF की तुलना सैद्धांतिक $\text{Exp}(1)$ CDF ($D_L$) से करता है।

2. मार्जनल स्कोर टेस्ट (पॉलीट्री अनुमान)

सीमित डेटा के साथ कंडीशनल डिस्ट्रीब्यूशन का अनुमान लगाना सांख्यिकीय रूप से कठिन है। लेखक केवल मार्जनल स्कोर का उपयोग करने के लिए पहले तीन परीक्षणों को अनुकूलित करते हैं, बशर्ते कि वास्तविक ग्राफ एक पॉलीट्री (polytree) हो (एक DAG जिसमें कोई अनडायरेक्टेड साइकल नहीं है)।

• स्कोर टिपिकैलिटी (Score Typicality): विधि $S(y|x) \geq |S(y) - S(x)|_+$ की स्थिति पर निर्भर करती है। जब यह संतुष्ट होता है, तो इसका अर्थ है कि एक कमजोर आउटलेयर शायद ही कभी एक मजबूत आउटलेयर का कारण बनता है।
• टेस्ट स्टैटिस्टिक्स: मार्जनल टेस्ट "जंप" (jump) का उपयोग करते हैं: $|S(x_i) - S(PA_i)|_+$।
• वैधता: पॉलिटी धारणा और स्कोर टिपिकलिटी के तहत, ये मार्जनल स्टैटिस्टिक्स अपने कंडीशनल समकक्षों द्वारा स्टोकेस्टिकली डोमिनेटेड होते हैं, जो वैध p-मान सुनिश्चित करते हैं।

3. अज्ञात रूट कॉज (Unknown Root Causes)

यदि रूट कॉज अज्ञात हैं लेकिन उनकी संख्या का ऊपरी आउंड $k$ ज्ञात है, तो लेखक एक मैक्सिमम लीव-$k$-आउट (maximum leave-$k$-out) प्रक्रिया प्रस्तावित करते हैं। टेस्ट स्टैटिस्टिक प्रत्येक $k$ वेरिएबल्स के उपसमुच्चय के लिए कंप्यूट किया जाता है जिन्हें संभावित रूट कॉज माना जाता है, और अधिकतम p-मान लिया जाता है। यह चयन पूर्वाग्रह (selection bias) पेश किए बिना फाल्स पॉजिटिव रेट को नियंत्रित करता है।

सैद्धांतिक गारंटी (Theoretical Guarantees)

• फाल्स पॉजिटिव कंट्रोल: परीक्षण कठोर p-मान प्रदान करते हैं, यह सुनिश्चित करते हुए कि $P(\text{reject } H_0 | H_0 \text{ is true}) \leq \alpha$।
• पावर गारंटी: पेपर स्ट्रॉन्ग डेटा प्रोसेसिंग इनइक्वालिटी (SDPI) का उपयोग करके आउटलेयर स्कोर के क्षय (decay) की दर पर लोअर बाउंड प्राप्त करता है।
  • यदि एक वास्तविक वंशज (descendant) को गलत पैरेंट्स दिए जाते हैं (जैसे, नॉन-डेसेंडेंट या रूट से दूर के पैरेंट्स), तो परिणामी "स्कोर जंप" लोअर-बाउंडेड होता है।
  • परीक्षण की शक्ति ($\text{power}$) विसंगति की ताकत ($\lambda$) और गलत किनारों के अनुपात ($\pi$) के साथ बढ़ती है।
  • रेट पैरामीटर्स में ग्लोबल शिफ्ट के विरुद्ध सम टेस्ट (फिशर) के लिए और सिंगल डोमिनेंट आउटलेयर्स के विरुद्ध मैक्स टेस्ट (टिपेट) के लिए विशिष्ट अनुकूलतम परिणाम (Uniformly Most Powerful) दिखाए गए हैं।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिंथेटिक और वास्तविक दुनिया के डेटासेट पर अपने तरीकों का मूल्यांकन किया, जिसमें यूलिग एट अल (2025) के परम्यूटेशन-आधारित टेस्ट और GRaSP जैसे कॉज़ल डिस्कवरी एल्गोरिदम सहित बेसलाइन की तुलना की गई।

सिंथेटिक डेटा (Synthetic Data)

• सेटअप: 20 नोड्स वाले रैंडम DAGs। आउटलेयर्स को एक रैंडम रूट कॉज में इंजेक्ट किया गया और प्रसारित किया गया। "ग्राउंड ट्रुथ" ग्राफ को विभिन्न सही किनारों के अंशों ($|K|/|N|$) के साथ आंशिक रूप से दूषित किया गया था।
• निष्कर्ष:
  • प्रस्तावित परीक्षणों ने गलत किनारों के अंश बढ़ने के साथ बढ़ता हुआ रिजेक्शन रेट दिखाया।
  • कंडीशनल स्कोर टेस्ट ने मार्जनल स्कोर टेस्ट की तुलना में बेहतर प्रदर्शन किया, जैसा कि अपेक्षित था।
  • GRaPL बेसलाइन अत्यधिक संवेदनशील थी, जिसने सीमित-नमूना विसंगतियों के कारण लगभग सभी ग्राफों (ग्राउंड ट्रुथ सहित) को खारिज कर दिया।
  • परम्यूटेशन बेसलाइन ने अपेक्षित व्यवहार किया, केवल उन ग्राफों को खारिज किया जो रैंडम से बेहतर थे।
  • पावर, इंजेक्टेड विसंगतियों की मजबूती और उपलब्ध आउटलेयर नमूनों की संख्या के साथ बढ़ी।

वास्तविक दुनिया का डेटा (Real-World Data)

1. पेटशॉप डेटासेट (क्लाउड कंप्यूटिंग): अध्ययन ने एक "सर्विस डिपेंडेंसी मैप" (किनारों को उलटने के साथ) का उपयोग किया।
   • परिणाम: प्रस्तावित परीक्षणों ने इस ग्राफ को सिग्निफिकेंस लेवल से काफी अधिक दर पर खारिज कर दिया, विशेष रूप से हाई-ट्रैफिक परिदृश्यों में। यह सुझाव देता है कि सर्विस मैप, हालांकि रैंडम से बेहतर है, वास्तविक कॉज़ल ग्राफ नहीं है।
2. कॉज़ल चैम्बर्स डेटासेट: एक भौतिक टेस्टबेड जिसमें एक ज्ञात सटीक कॉज़ल स्ट्रक्चर है।
   • परिणाम: परीक्षणों ने सिग्निफिकेंस लेवल के अनुरूप दर पर ग्राफ को खारिज किया (अर्थात, उन्होंने गलत तरीके से सही ग्राफ को खारिज नहीं किया), जो फाल्स पॉजिटिव कंट्रोल को प्रमाणित करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह उन पहले सांख्यिकीय परीक्षणों को प्रस्तुत करता है जो शून्य परिकल्पना कि एक दिया गया कॉज़ल ग्राफ वास्तविक कॉज़ल ग्राफ है, के लिए तीन विशिष्ट मानदंडों को पूरा करते हैं:

1. फाल्स पॉजिटिव कंट्रोल: वे वैध p-मान प्रदान करते हैं, यह सुनिश्चित करते हुए कि गलत रिजेक्शन की दर सीमित है।
2. पावर गारंटी: उनके पास गलत कॉज़ल ग्राफों के एक व्यापक वर्ग के विरुद्ध सिद्ध शक्ति है, विशेष रूप से उन मामलों में जहाँ आउटलेयर का प्रसार "कमजोर-से-मजबूत" (weak-to-strong) सिद्धांत का उल्लंघन करता है।
3. सिंगल सैंपल ऑपरेशन: वे प्रभावी रूप से केवल एक आउटलेयर सैंपल के साथ काम कर सकते हैं, जो उन डोमेन के लिए एक महत्वपूर्ण विशेषता है जहाँ विसंगतिपूर्ण घटनाएँ दुर्लभ और महंगी होती हैं।

लेखक इस बात पर जोर देते हैं कि यह कार्य रूट कॉज एनालिसिस साहित्य और कॉज़ल ग्राफ मूल्यांकन के बीच के अंतर को पाटता है, जो आउटलेयर प्रोपेगेशन के सिद्धांत को एक कठोर खंडन उपकरण (falsification tool) में बदल देता है। विधि के लिए इंटरवेंशनल डेटा या विसंगतिपूर्ण शासन (anomalous regime) से कई नमूनों की आवश्यकता नहीं है, जिससे यह उन परिदृश्यों में लागू हो जाता है जहाँ पारंपरिक कॉज़ल डिस्कवरी या फाल्सीफिकेशन विधियाँ विफल हो जाती हैं।