🤖 AI

From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios

यह शोध पत्र नॉर्मलाइज्ड सेंसिटिविटी रेश्यो (NSR) को प्रस्तुत करता है, जो एक पोस्ट-हॉक, मॉडल-एग्नोस्टिक डायग्नोस्टिक है, जो संरचित पर्यावरणीय बदलावों के माध्यम से संवेदनशीलता स्थिरता का लाभ उठाकर प्रशिक्षित मॉडलों में कारण बनाम स्प्यूरियस (मिथ्या) विशेषताओं की पहचान करता है, विशिष्ट परिस्थितियों में सटीक पहचान प्राप्त करता है और सिंथेटिक एवं वास्तविक दुनिया के डेटासेट दोनों पर उच्च सटीकता प्रदर्शित करता है।

मूल लेखक: Athanasios Vlontzos, Giorgos Papanastasiou, Bernhard Kainz, Sotirios Tsaftaris

प्रकाशित 2026-07-29

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Athanasios Vlontzos, Giorgos Papanastasiou, Bernhard Kainz, Sotirios Tsaftaris

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 यह पता लगाने की कोशिश कर रहे हैं कि एक जादुई क्रिस्टल बॉल भविष्य की भविष्यवाणी क्यों करती है। आप जानते हैं कि क्रिस्टल बॉल काम करती है, लेकिन आप यह नहीं जानते कि कैसे। क्या इसने भौतिक विज्ञान के वास्तविक नियमों को सीखा है, या इसने बस इस बात पर गौर करके किस्मत आजमा ली कि मंगलवार को आसमान हमेशा नीला ही होता है? यह मशीन लर्निंग की दुनिया है, जहाँ कंप्यूटर डेटा में पैटर्न खोजकर भविष्यवाणियाँ करना सीखते हैं। कभी-कभी, वे सही पैटर्न ढूंढ लेते हैं (जैसे "बारिश से घास गीली होती है"), लेकिन अक्सर वे "स्पूरियस" (spurious) पैटर्न भी ढूंढ लेते हैं—ऐसे संयोग जो असली लगते हैं लेकिन स्थिति बदलते ही टूट जाते हैं (जैसे "मंगलवार बारिश का कारण बनता है")।

बड़ी समस्या यह है कि एक बार जब कंप्यूटर मॉडल प्रशिक्षित हो जाता है, तो वह एक 'ब्लैक बॉक्स' की तरह होता है। हम आसानी से इसके अंदर झाँककर यह नहीं देख सकते कि क्या यह सच्चाई पर निर्भर है या सिर्फ एक भाग्यशाली अनुमान पर। इसे ठीक करने वाले पिछले उपकरणों के लिए हमें वापस शुरुआती दौर में जाना पड़ता था और मॉडल को फिर से शून्य से प्रशिक्षित करना पड़ता था, जो धीमा और महंगा था। यह शोध पत्र एक नया तरीका पेश करता है जिससे हम किसी बने-बनाए मॉडल के अंदर झाँक सकते हैं, बिना उसके निर्माण के तरीके में कोई बदलाव किए। यह एक विशेष टॉर्च होने जैसा है जो आपको यह बता सकती है कि, केवल अलग-अलग कमरों के प्रति मॉडल की प्रतिक्रिया को देखकर, क्या वह असली फर्नीचर को देख रहा है या केवल दीवार पर पड़ने वाली परछाइयों को।

जासूस की नई टॉर्च: NSR

इस शोध पत्र के लेखक, अथानासियोस व्लोंत्ज़ोस (Athanasios Vlontzos) और उनकी टीम ने नॉर्मलाइज्ड सेंसिटिविटी रेशियो (NSR) नामक एक उपकरण का आविष्कार किया है। एक प्रशिक्षित AI मॉडल को एक ऐसे शेफ के रूप में सोचें जिसने सूप की रेसिपी में महारत हासिल कर ली है। शेफ जानता है कि यदि वे एक चुटकी नमक (एक "कॉज़ल" या कारण संबंधी सामग्री) डालते हैं, तो सूप का स्वाद बेहतर हो जाता है, चाहे वे कहीं भी खाना बना रहे हों। लेकिन यदि शेफ ने यह सीखा है कि "जब भी बाहर बारिश होती है, तो सूप नमकीन होता है" (एक "स्पूरियस" सहसंबंध), तो यह नियम केवल उसी रसोई में काम करेगा जहाँ बारिश हो रही है। यदि शेफ एक धूप वाली रसोई में जाता है, तो सूप का स्वाद खराब हो सकता है क्योंकि वहां "नमकीनपन" को ट्रिगर करने के लिए बारिश मौजूद नहीं है।

NSR टूल अलग-अलग रसोईयों (वातावरणों) में शेफ को सूप चखने के लिए कहकर काम करता है।

द कॉज़ल टेस्ट (The Causal Test): यदि शेफ नमक डालता है, तो हर रसोई में स्वाद एक समान मात्रा में बदलता है। संवेदनशीलता (sensitivity) स्थिर (constant) रहती है।
द स्पूरियस टेस्ट (The Spurious Test): यदि शेफ "बारिश" के नियम पर निर्भर है, तो स्वाद उस विशिष्ट रसोई के आधार पर बहुत अधिक बदल जाता है जहाँ बारिश हो रही है। संवेदनशीलता वातावरण के साथ बदल (shift) जाती है।

NSR इस "डगमगाहट" (wobble) को मापता है। यदि विभिन्न वातावरणों में किसी फीचर के प्रति मॉडल की प्रतिक्रिया स्थिर है, तो NSR कहता है, "यह एक वास्तविक, कॉज़ल फीचर है!" यदि प्रतिक्रिया उछल-कूद करती है, तो NSR कहता है, "यह एक स्पूरियस संयोग है!"

जादू कैसे काम करता है (बिना जादू के)

यह शोध पत्र सिद्ध करता है कि यदि आपके पास कम से कम तीन अलग-अलग वातावरण (जैसे तीन अलग-अलग अस्पताल या डेटा के तीन अलग-अलग बैच) हैं जहाँ "स्पूरियस" चीजें (जैसे उपकरणों का शोर या मौसम) बदलती हैं, लेकिन "वास्तविक" कारण समान रहते हैं, तो NSR टूल सत्य और झूठ को पूरी तरह से अलग कर सकता है।

लेखकों ने इस विचार को परीक्षणों की एक श्रृंखला के माध्यम से परखा:

परफेक्ट डिटेक्शन (Perfect Detection): अपने कंप्यूटर सिमुलेशन में, जब स्थितियाँ सही थीं—विशेष रूप से कम से कम 5 वातावरणों और 1 या उससे अधिक के शिफ्ट मैग्नीट्यूड के साथ—तो इस टूल ने एक परफेक्ट स्कोर प्राप्त किया। इन विशिष्ट शासन स्थितियों के तहत, इसने प्रत्येक कॉज़ल फीचर और प्रत्येक स्पूरियस फीचर की 100% सटीकता (एक AUROC 1.000) के साथ पहचान की। यह बिना घास को छुए घास के ढेर में सुई खोजने जैसा था।
"नो-गो" ज़ोन (The "No-Go" Zones): यह शोध पत्र इस बारे में बहुत ईमानदार है कि टूल कब विफल होता है। यदि आपके पास केवल दो वातावरण हैं, तो टूल अंधा हो जाता है। यदि वातावरणों में परिवर्तन बहुत अधिक सममित (symmetrical) हैं (जैसे एक पूर्ण दर्पण छवि), तो टूल भ्रमित हो जाता है। उन्होंने यह भी पाया कि यदि वातावरणों के बीच का "शिफ्ट" शोर (noise) की तुलना में बहुत छोटा है, तो टूल इसे देख नहीं पाता है। यह एक तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है; सिग्नल खो जाता है।
रियल-वर्ल्ड टेस्ट (Real-World Test): उन्होंने इसे वास्तविक डेटा पर आजमाया, विशेष रूप से एक शहर के बाइक-शेयरिंग डेटासेट पर। वे जानते थे कि कौन से कारक (जैसे तापमान और दिन का समय) वास्तव में लोगों को बाइक किराए पर लेने का कारण बनते हैं, और कौन से केवल संयोग थे। मॉडल को बिना पुन: प्रशिक्षित किए, NSR टूल ने 8 में से 6 वास्तविक कॉज़ल कारकों की सही पहचान की। यह अन्य मानक तरीकों से बहुत बेहतर था जो केवल मॉडल में संख्याओं के आकार को देखते हैं।

यह क्यों महत्वपूर्ण है

इस खोज का सबसे रोमांचक हिस्सा यह है कि यह मॉडल के प्रशिक्षित होने के बाद काम करता है। आमतौर पर, यदि आपको संदेह है कि कोई मॉडल स्पूरियस पैटर्न का उपयोग करके धोखाधड़ी कर रहा है, तो आपको इसे फेंकना पड़ता है और फिर से शुरू करना पड़ता है। NSR के साथ, आप बस तैयार मॉडल को ले सकते हैं, उस पर टॉर्च चमका सकते हैं, और कह सकते हैं, "आह, मैं देख रहा हूँ कि आप वास्तविक चिकित्सा लक्षणों के बजाय सप्ताह के दिन पर निर्भर हैं।"

लेखक बताते हैं कि यह विधि एक "पोस्ट-हॉक" (post-hoc) डायग्नोस्टिक है, जिसका अर्थ है कि यह एक चेक-अप है जो आप काम पर लगे मॉडल को दे सकते हैं। इसे मॉडल के आंतरिक कोड को जानने की आवश्यकता नहीं है, और न ही इसे प्रशिक्षण प्रक्रिया को छूने की आवश्यकता है। यह बस यह देखता है कि दुनिया बदलने पर मॉडल कैसा व्यवहार करता है।

हालाँकि, शोध पत्र एक स्पष्ट रेखा भी खींचता है। यह टूल तब सबसे अच्छा काम करता है जब "वास्तविक" कारण (जैसे जीव विज्ञान या भौतिकी) स्थिर रहते हैं, और केवल "शोर" (जैसे अलग-अलग मशीनें या स्थान) बदलता है। यदि वास्तविक कारण स्वयं एक स्थान से दूसरे स्थान पर बदलते हैं (जैसे यदि अस्पतालों के बीच "बीमारी" की परिभाषा बदल जाती है), तो टूल भ्रमित हो सकता है और एक वास्तविक कारण को केवल एक संयोग समझ सकता है। लेखक सावधानी से कहते हैं कि यह एक सीमा है, कोई बग नहीं।

संक्षेप में, यह शोध पत्र हमें हमारे AI पर भरोसा करने का एक नया तरीका देता है। यह एक गणितीय गारंटी प्रदान करता है कि यदि दुनिया एक विशिष्ट तरीके से बदलती है, तो हम मॉडल के तर्क में झूठ बोलने वालों को पहचान सकते हैं। यह ब्लैक बॉक्स को एक ग्लास बॉक्स में बदल देता है, जिससे हम देख सकते हैं कि मॉडल वास्तव में किस पर निर्भर है, ताकि हम आश्वस्त हो सकें कि वह केवल मौसम के आधार पर अनुमान नहीं लगा रहा है।

तकनीकी सारांश: संवेदनशीलता अनुपात (Sensitivity Ratios) के माध्यम से पोस्ट-हॉक कारण संबंधी विशेषता की पहचान

समस्या विवरण

यह शोध पत्र मशीन लर्निंग व्याख्यात्मकता (interpretability) में एक महत्वपूर्ण अंतराल को संबोधित करता है: यह निर्धारित करना कि एक पूर्व-प्रशिक्षित (pre-trained) मॉडल किन विशेषताओं पर कारण संबंधी (causally) बनाम छद्म (spuriously) निर्भर करता है, बिना प्रशिक्षण प्रक्रिया, मॉडल वर्ग, या अंतर्निहित कारण ग्राफ (causal graph) तक पहुँच प्राप्त किए।

कारण संबंधी विशेषता पहचान के मौजूदा तरीके, जैसे कि इनवेरिएंट रिस्क मिनिमाइजेशन (IRM) और इनवेरिएंट कॉज़ल प्रेडिक्शन (ICP), प्रशिक्षण चरण के दौरान हस्तक्षेप (जैसे कि लॉस फंक्शन में संशोधन या व्यापक उपसमुच्चय खोज) की मांग करते हैं। फलस्वरूप, वे उन मॉडलों का निदान नहीं कर सकते जो पहले ही तैनात (deployed) किए जा चुके हैं। लेखक स्ट्रक्चर्ड-शिफ्ट रिजीम (structured-shift regime) पर ध्यान केंद्रित करते हैं, जो एक ऐसी स्थिति है जो मल्टी-साइट क्लिनिकल डेटा या मल्टी-बैच जीनोमिक्स में सामान्य है, जहाँ वातावरण मुख्य रूप से छद्म विशेषताओं (जैसे उपकरण ऑफसेट, बैच प्रभाव) के माध्य (mean) में भिन्न होते हैं, जबकि कारण तंत्र (causal mechanism) और कारण विशेषताओं का वितरण स्थिर रहता है। इस सेटिंग में, छद्म विशेषताओं पर निर्भर रहने वाला मॉडल वातावरण-निर्भर संवेदनशीलता प्रदर्शित करेगा, जबकि कारण विशेषताओं पर निर्भर रहने वाला मॉडल निरंतर संवेदनशीलता दिखाएगा।

कार्यप्रणाली: सामान्यीकृत संवेदनशीलता अनुपात (Normalised Sensitivity Ratio - NSR)

लेखक सामान्यीकृत संवेदनशीलता अनुपात (NSR) प्रस्तावित करते हैं, जो एक पोस्ट-हॉक, मॉडल-अज्ञेयवादी (model-agnostic) नैदानिक मीट्रिक है।

मूल अवधारणा

NSR विभिन्न वातावरणों में एक विशिष्ट विशेषता के प्रति मॉडल की संवेदनशीलता की स्थिरता को मापता है।

कॉज़ल सेंसिटिविटी रेशियो (CSR): एक विशेषता $j$ और वातावरण $e$ तथा एक संदर्भ $e_{ref}$ के लिए, CSR उस औसत बदलाव को मापता है जो तब आता है जब अन्य विशेषताओं को स्थिर रखते हुए, विशेषता $j$ को संदर्भ वातावरण के मार्जिनल वितरण से एक ड्रॉ (draw) द्वारा प्रतिस्थापित किया जाता है।
नॉर्मलाइजेशन (Normalization): NSR को विभिन्न वातावरणों में CSR मानों के 'स्क्वेर्ड कोएफिशिएंट ऑफ वेरिएशन' ( $CV^2$ ) के रूप में परिभाषित किया गया है, जिसे औसत CSR द्वारा सामान्यीकृत किया गया है।
$\text{NSR}_j(e_{ref}) := \frac{\text{Var}_{e \neq e_{ref}}[\text{CSR}_j(e, e_{ref})]}{(\mathbb{E}_{e \neq e_{ref}}[\text{CSR}_j(e, e_{ref})])^2}$

मुख्य गुण

वेट इनवेरिएंस (Weight Invariance): नॉर्मलाइजेशन सीखे गए मॉडल वेट ( $\hat{w}_j^2$ ) को रद्द कर देता है। यह सुनिश्चित करता है कि छोटे गुणांक वाली छद्म विशेषताएँ भी, जिन्हें वेट-आधारित विश्लेषण द्वारा छोड़ा जा सकता है, यदि उनकी संवेदनशीलता वातावरणों में भिन्न होती है, तो पकड़ी जा सकें।
नैदानिक संकेत (Diagnostic Signal): स्ट्रक्चर्ड-शिफ्ट रिजीम के तहत:
- कारण संबंधी विशेषताएँ (Causal Features): वातावरणों में निरंतर संवेदनशीलता प्रेरित करती हैं $\implies \text{NSR}_j = 0$ ।
- छद्म विशेषताएँ (Spurious Features): संवेदनशीलता को पर्यावरणीय बदलाव के साथ ट्रैक करती हैं $\implies \text{NSR}_j > 0$ ।
कार्यान्वयन: NSR के लिए केवल एक प्रशिक्षित ब्लैक-बॉक्स मॉडल, वातावरण लेबल और होल्ड-आउट डेटा की आवश्यकता होती है। इसे संवेदनशीलता सिग्नल के ड्रॉप-इन एस्टिमेटर के रूप में उपयोग करने के लिए फॉरवर्ड पासेस, SHAP वैल्यूज, या परम्यूटेशन इम्पॉर्टेंस का उपयोग किया जा सकता है।

मुख्य योगदान

1. सटीक पहचान प्रमेय (Exact Identification Theorem)

एक लीनियर स्ट्रक्चरल कॉज़ल मॉडल (SCM) के तहत स्ट्रक्चर्ड-शिफ्ट रिजीम में, जहाँ $K \ge 3$ नॉन-डीजेनरेट वातावरण हैं, NSR सटीक पहचान (exact identification) प्राप्त करता है।

प्रमेय 1: किसी भी नॉन-जीरो वेट वाले लीनियर प्रेडिक्टर के लिए, $\text{NSR}_j = 0 \iff j$ एक कारण संबंधी विशेषता है।
प्रमाण यह दर्शाता है कि पहचान का संकेत मॉडल वेट से नहीं, बल्कि पर्यावरण बदलावों की ज्यामिति (geometry of the environment shifts) से उत्पन्न होता है। यह सैद्धांतिक परिणाम गैर-रेखीय (non-linear) मॉडलों पर भी अनुभवजन्य रूप से विस्तारित होता है।

2. विफलता मोड का पूर्ण लक्षण वर्णन (Complete Characterization of Failure Modes)

शोध पत्र सटीक मात्रात्मक मानदंड प्रदान करता है कि NSR कब विफल होता है, जिससे अभ्यासकर्ता रिजीम की वैधता का आकलन कर सकते हैं:

कमजोर बदलाव (Weak Shifts): जब शिफ्ट का परिमाण $\epsilon$ , वातावरण के भीतर के शोर (noise) के सापेक्ष छोटा होता है, तो NSR $O(\epsilon^4)$ के रूप में ढह जाता है।
डीजेनरेट ज्योमेट्री (Degenerate Geometry): यदि $K < 3$ है या संदर्भ वातावरण से पूर्ण बदलाव सममित (symmetric) हैं (जैसे, $+1, -1, 0$ के बदलाव), तो NSR समान रूप से शून्य होता है।
प्रॉक्सी एटेन्यूएशन (Proxy Attenuation): उन विशेषताओं के लिए जो कारण और छद्म संकेतों को मिलाती हैं ( $X_j = \alpha X_C + (1-\alpha)X_S$ ), NSR $O((1-\alpha)^4)$ के रूप में घटता है।

3. परिमित-नमूना अभिसरण दरें (Finite-Sample Convergence Rates)

शोध पत्र कारण और छद्म विशेषताओं के बीच एक दर अंतर स्थापित करता है:

शून्य परिकल्पना (कारण संबंधी विशेषता, $\text{NSR}=0$ ) के तहत, एम्पिरिकल एस्टिमेटर $O_p(n^{-1})$ पर अभिसरित होता है।
वैकल्पिक परिकल्पना (छद्म विशेषता, $\text{NSR}>0$ ) के तहत, यह $O_p(n^{-1/2})$ पर अभिसरित होता है।
यह अंतर बिना किसी वितरण संबंधी धारणा के परम्यूटेशन-आधारित थ्रेशोल्डिंग को सक्षम बनाता है, क्योंकि शून्य वितरण (null distribution) वैकल्पिक वितरण के अलग होने से कहीं अधिक तेजी से शून्य की ओर सिकुड़ता है।

4. IRM और ICP के साथ अतुलनीयता (Incomparability with IRM and ICP)

लेखक सिद्ध करते हैं कि NSR, IRM और ICP शिफ्ट शेड्यूल्स के संबंध में अतुलनीय स्थितियों के तहत कार्य करते हैं।

ऐसी शिफ्ट कॉन्फ़िगरेशन मौजूद हैं (जैसे, सममित बदलाव) जहाँ IRM और ICP छद्म विशेषताओं का पता लगाते हैं लेकिन NSR नहीं।
इसके विपरीत, ऐसी कॉन्फ़िगरेशन भी हैं (जैसे, असममित बदलाव जहाँ स्क्वेर्ड वेरिएंस शून्य है) जहाँ NSR छद्म विशेषताओं का पता लगाता है लेकिन IRM नहीं।
ये विधियाँ पूरक हैं; चुनाव उपलब्ध पर्यावरणीय बदलावों की विशिष्ट ज्यामिति पर निर्भर करता है।

प्रयोगात्मक परिणाम

सिंथेटिक डेटा सत्यापन

रिजीम सत्यापन: प्रयोग सैद्धांतिक फेज ट्रांजिशन की पुष्टि करते हैं। $K \ge 5$ और शिफ्ट परिमाण $\epsilon \ge 1$ के साथ, NSR 30 सीड्स में शून्य विचरण के साथ AUROC 1.000 प्राप्त करता है।
विफलता मोड: प्रयोग विफलता की शर्तों की तीक्ष्णता को मान्य करते हैं। सममित बदलाव (डीजेनरेट ज्योमेट्री) में चांस-लेवल प्रदर्शन (AUROC $\approx$ 0.5) मिलता है, जबकि समरूपता (symmetry) को तोड़ने से पूर्ण पहचान बहाल हो जाती है।
अभिसरण: एम्पिरिकल अभिसरण दरें $O(n^{-1})$ और $O(n^{-1/2})$ भविष्यवाणियों के भीतर 2-8% त्रुटि के साथ मेल खाती हैं।

मॉडल अज्ञेयवाद (Model Agnosticism)

NSR का परीक्षण पांच मॉडल परिवारों (OLS, Ridge, Random Forest, XGBoost, MLP) में किया गया। विशेषताओं की रैंकिंग मॉडल परिवारों में सुसंगत थी (Kendall $\tau \ge 0.529$ ), जो पुष्टि करती है कि सिग्नल विशिष्ट मॉडल क्लास के बजाय वातावरण की संरचना में निहित है।

वास्तविक दुनिया के अनुप्रयोग

बाइक-शेयरिंग डेटा: मंथ-क्विंटाइल पार्टिशन का उपयोग करते हुए, NSR ने 8 में से 6 कारण संबंधी विशेषताओं को रिकवर किया (Precision@7 = 0.75), जो प्रशिक्षित मॉडल को संशोधित किए बिना LASSO (0.58) से बेहतर प्रदर्शन करता है।
वाइन क्वालिटी डेटा: NSR ने बैच-स्तर के तकनीकी उतार-चढ़ाव वाली सेटिंग में कारण चालकों (causal drivers) की पहचान की।
व्यावहारिक अंतर्दृष्टि: प्रयोगों से पता चलता है कि NSR के लिए आधार मॉडल का वातावरण के भीतर सामान्यीकरण (generalize) करना आवश्यक है (ओवरफिट नहीं होना चाहिए)। पर्यावरणीय शोर को अस्पष्ट करने से रोकने के लिए अनुकूलित रेगुलराइजेशन (Adaptive regularization) (लक्ष्य $R^2 \approx 0.75$ ) आवश्यक था।

महत्व और दायरा

यह शोध पत्र दावा करता है कि NSR तैनात मॉडलों के लिए एक सैद्धांतिक रूप से आधारित, पोस्ट-हॉक ऑडिट टूल प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

परिचालन उपयोगिता (Operational Utility): यह अभ्यासकर्ताओं को प्रशिक्षण डेटा या पुन: प्रशिक्षण तक पहुँच प्राप्त किए बिना मौजूदा मॉडलों में छद्म निर्भरता का निदान करने की अनुमति देता है।
स्पष्ट सीमाएँ (Explicit Boundaries): कई ब्लैक-बॉक्स व्याख्यात्मकता उपकरणों के विपरीत, NSR के पास अपने ऑपरेटिंग रिजीम और विफलता मोड का एक पूर्ण मानचित्र है, जो अनुप्रयोग से पहले मात्रात्मक जाँच (जैसे, शिफ्ट परिमाण और वातावरण संख्या को सत्यापित करना) प्रदान करता है।
पूरकता (Complementarity): यह एक विशिष्ट स्थान भरता है जो IRM और ICP से अलग है, विशेष रूप से उन परिदृश्यों को लक्षित करता है जहाँ शिफ्ट ज्यामिति असममित है और मॉडल पहले से ही प्रशिक्षित है।

लेखकों द्वारा स्वीकार की गई सीमाएँ:

मार्जिनल कॉज़ल स्टेबिलिटी: NSR यह मानता है कि कारण संबंधी विशेषताओं ( $P(X_C)$ ) का वितरण वातावरणों में स्थिर है। यदि कारण सह-चर (causal covariates) बदलते हैं (जैसे, जनसांख्यिकीय परिवर्तन), तो NSR उन्हें छद्म के रूप में गलत वर्गीकृत कर सकता है।
शिफ्ट संरचना: वर्तमान फॉर्मूलेशन एक समान स्केलर शिफ्ट (uniform scalar shift) मानता है। फीचर-विशिष्ट या कोवेरिएंस शिफ्ट को बिना सबस्पेस एक्सटेंशन के सीधे कैप्चर नहीं किया जा सकता है।
रिजीम डिपेंडेंसी: यह विधि विशेष रूप से स्ट्रक्चर्ड-शिफ्ट रिजीम के लिए एक नैदानिक उपकरण है; यह मनमाने डेटा वितरणों के लिए सामान्य-उद्देश्य वाला कारण खोज (causal discovery) उपकरण नहीं है।