📊 statistics

Optimizing Treatment Allocation in Experiments with Network Interference

यह शोध पत्र एक नेटवर्क-जागरूक उपचार आवंटन ढांचे (treatment allocation framework) का प्रस्ताव करता है जो फिशर सूचना-आधारित मानदंड के माध्यम से आवंटन और टोपोलॉजी को संतुलित करके नेटवर्क हस्तक्षेप के तहत प्रयोगात्मक डिजाइन को अनुकूलित करता है, जिसे एक स्केलेबल स्थानीय खोज एल्गोरिदम के माध्यम से हल किया गया है और सिमुलेशन एवं वास्तविक अनुप्रयोगों के माध्यम से सत्यापित किया गया है।

मूल लेखक: Zuhra F. S. Lebbe, Asim K. Dey

प्रकाशित 2026-08-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zuhra F. S. Lebbe, Asim K. Dey

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

वैज्ञानिक प्रयोगों की दुनिया में, शोधकर्ता अक्सर एक सरल नियम पर भरोसा करते हैं: एक व्यक्ति के साथ जो होता है, उससे दूसरे के परिणाम पर प्रभाव नहीं पड़ना चाहिए। यह विचार, जिसे 'स्टेबल यूनिट ट्रीटमेंट वैल्यूAssumption' (स्थिर इकाई उपचार मूल्य धारणा) के रूप में जाना जाता है, अलग-थलग पड़े रोगियों पर नई दवा या अलग-अलग भूखंडों पर नए उर्वरक के परीक्षण के दौरान अच्छी तरह काम करता है। हालाँकि, वास्तविक दुनिया इतनी अलग-थलग नहीं होती है। लोग समुदायों में रहते हैं, जानवर झुंडों में रहते हैं, और उपकरण नेटवर्क में होते हैं जहाँ क्रियाएँ बाहर की ओर लहरें पैदा करती हैं। जब कोई व्यक्ति टीकाकरण करवाता है, तो उनके पड़ोसी भी सुरक्षित हो जाते हैं। जब एक सोशल मीडिया उपयोगकर्ता कोई विज्ञापन देखता है, तो उसके दोस्त भी उसे देख सकते हैं। हस्तक्षेप (इंटरफेरेंस) नामक यह घटना प्रयोगात्मक डिजाइन के पुराने नियमों को तोड़ देती है क्योंकि किसी भी एकल व्यक्ति के लिए परिणाम न केवल उसके अपने उपचार पर, बल्कि इस पर भी निर्भर करता है कि उसके पड़ोसियों को क्या प्राप्त हुआ है। इन जुड़े हुए वातावरणों में प्रयोगों को डिजाइन करना अविश्वसनीय रूप से कठिन है, क्योंकि शोधकर्ताओं को यह पता लगाना होता है कि वे परिणामों की स्पष्टता को अधिकतम करने के लिए उपचारों को कैसे आवंटित करें, बिना नेटवर्क की संरचना को डेटा को धुंधला किए।

टेक्सास टेक यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने जटिल नेटवर्क पर प्रयोगों की योजना बनाने का एक नया तरीका विकसित करके इस चुनौती का सामना किया है। कनेक्शनों को एक उपद्रव के रूप में अनदेखा करने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जो निर्णय लेने के लिए नेटवर्क के आकार का उपयोग करती है। कल्पना कीजिए कि आप यह देखने के लिए शहर के मानचित्र पर दो अलग-अलग प्रकार के संकेत लगाने की कोशिश कर रहे हैं कि किसे अधिक ध्यान मिलता है। यदि आप उन्हें बेतरतीब ढंग से रखते हैं, तो आप गलती से सभी "प्रकार A" के संकेत एक ही पड़ोस में और सभी "प्रकार B" के संकेत दूसरे पड़ोस में रख सकते हैं, जिससे यह बताना असंभव हो जाएगा कि ध्यान में अंतर संकेतों के कारण है या पड़ोस के कारण। शोधकर्ताओं ने संकेतों की दो प्रकारों के बीच संतुलन बनाने वाले और शहर के लेआउट का सम्मान करने वाले संकेतों की एक आदर्श व्यवस्था खोजने के लिए एक गणितीय विधि विकसित की। उन्होंने एक कंप्यूटर एल्गोरिदम का उपयोग किया जो एक सावधानीपूर्वक संपादक की तरह कार्य करता है, जो नेटवर्क पर उपचारों की स्थितियों को लगातार बदलता रहता है ताकि यह देखा जा सके कि क्या नई व्यवस्था अधिक स्पष्ट जानकारी प्रदान करती है। यह प्रक्रिया इस विशिष्ट माप द्वारा निर्देशित होती है कि प्रयोग कितनी जानकारी देगा, यह सुनिश्चित करते हुए कि अंतिम डिजाइन पड़ोसियों द्वारा एक-दूसरे को प्रभावित करने के भ्रमित करने वाले प्रभावों के विरुद्ध सुदृढ़ हो।

टीम ने अपने तरीके का परीक्षण विभिन्न सिम्युलेटेड नेटवर्क पर किया जो विभिन्न वास्तविक दुनिया की संरचनाओं की नकल करते हैं। कुछ कनेक्शनों के यादृच्छिक जाल की तरह थे, कुछ भौतिक दूरी पर आधारित थे, और कुछ विशिष्ट समुदायों या "हब" (केंद्रों) पर आधारित थे जहाँ कई कनेक्शन मिलते थे। हर मामले में, उनके अनुकूलित डिजाइन ने रैंडम असाइनमेंट या समूहों में लोगों को बांटने जैसे मानक तरीकों से बेहतर प्रदर्शन किया। नया दृष्टिकोण उपचारों के अधिक संतुलित वितरण को लगातार उत्पन्न करता है, यह सुनिश्चित करते हुए कि नेटवर्क के किसी भी विशिष्ट भाग में कोई भी विकल्प अति-प्रतिनिधित्व न करे। जब उन्होंने परिणामों को देखा, तो उन्होंने पाया कि जबकि उपचार के समग्र प्रभाव को विश्वसनीय रूप से मापा जा सकता है, एक व्यक्ति पर उपचार के विशिष्ट प्रभाव बनाम एक पड़ोसी के उपचार के प्रभाव को सटीक रूप से पकड़ना कठिन था। इन विशिष्ट मापों की सटीकता काफी हद तक इस बात पर निर्भर थी कि नेटवर्क का आकार कैसा है; कुछ संरचनाओं में, हस्तक्षेप इतना जटिल था कि उसने अनुमानों में महत्वपूर्ण अनिश्चितता पैदा कर दी।

अपने तरीके को वास्तविक दुनिया में सिद्ध करने के लिए, शोधकर्ताओं ने इसे दो वास्तविक डेटासेट पर लागू किया। पहला कॉलेज के छात्रों का नेटवर्क था जो साझा आवास में रहते थे, जहाँ 278 व्यक्ति 1,193 साझा रहने की व्यवस्थाओं से जुड़े थे। दूसरा 220 फेसबुक उपयोगकर्ताओं और उनके 576 मित्रता संबंधों का एक सोशल नेटवर्क था। दोनों मामलों में, एल्गोरिदम ने एक विशिष्ट मानचित्र तैयार किया कि सर्वोत्तम संभव डेटा प्राप्त करने के लिए किसे कौन सा उपचार मिलना चाहिए। कॉलेज नेटवर्क के लिए, इस पद्धति ने उपचारों को घने छात्रावास क्लस्टरों और बिखरे हुए व्यक्तिगत कमरों में इस तरह वितरित किया जो कोई भी रैंडम विधि प्राप्त नहीं कर सकती थी। इसी तरह, फेसबुक नेटवर्क के लिए, डिजाइन ने घनिष्ठ मित्र समूहों और परिचितों की लंबी कड़ियों के मिश्रण के बीच रास्ता बनाया ताकि निष्पक्ष और सूचनात्मक प्रसार सुनिश्चित किया जा सके। परिणामों ने दिखाया कि नेटवर्क की ज्यामिति को ध्यान में रखकर, शोधकर्ता हस्तक्षेप के कारण होने वाले भ्रम को कम कर सकते हैं और जुड़ी हुई आबादी में उपचार कैसे काम करते हैं, इसकी स्पष्ट तस्वीर प्राप्त कर सकते हैं।

अध्ययन निष्कर्ष निकालता है कि जबकि उपचार के कुल प्रभाव को स्थिरता के साथ मापा जा सकता है, एक व्यक्ति बनाम उनके पड़ोसियों को प्रभावित करने के सटीक तंत्र को समझना एक जटिल पहेली बना हुआ है। शोधकर्ताओं ने पाया कि नेटवर्क की संरचना ही यह निर्धारित करती है कि कितनी जानकारी निकाली जा सकती है। अत्यधिक असमान कनेक्शनों वाले नेटवर्क में, जैसे कि कुछ बहुत लोकप्रिय हब और कई अलग-थलग व्यक्तियों वाले नेटवर्क में, विशिष्ट प्रभावों के लिए अनुमान काफी अस्थिर हो सकते हैं। लेखक स्वीकार करते हैं कि उनकी विधि एक निकट-पूर्ण व्यवस्था खोजने के लिए एक शक्तिशाली उपकरण है, लेकिन यह एक 'ह्यूरिस्टिक' (अनुमानी) दृष्टिकोण है, जिसका अर्थ है कि यह एक स्मार्ट खोज के माध्यम से सर्वोत्तम समाधान खोजती है न कि पूर्ण गणितीय इष्टतम की गारंटी देती है। वे यह भी नोट करते हैं कि उनका वर्तमान कार्य स्थिर, दो-तरफा कनेक्शनों पर केंद्रित है, जो समय के साथ बदलने वाले नेटवर्क या एक-तरफा प्रभावों को संभालने के प्रश्न को खुला छोड़ देता है। इन सीमाओं के बावजूद, यह कार्य हमारे परस्पर जुड़े विश्व में बेहतर प्रयोगों को डिजाइन करने के लिए एक व्यावहारिक ब्लूप्रिंट प्रदान करता है, जो इस पुराने धारणा से आगे बढ़कर कि लोग अलगाव में कार्य करते हैं, इस वास्तविकता को अपनाता है कि हम सभी एक बड़े, प्रभाव डालने वाले जाल का हिस्सा हैं।

तकनीकी सारांश: नेटवर्क हस्तक्षेप वाले प्रयोगों में उपचार आवंटन का अनुकूलन

समस्या विवरण

आधुनिक महामारी विज्ञान, सोशल मीडिया और ऑनलाइन प्लेटफॉर्म में प्रयोगात्मक डिजाइन तेजी से नेटवर्क हस्तक्षेप (network interference) के कारण जटिल होता जा रहा है, जहाँ एक इकाई का परिणाम न केवल उसके अपने उपचार पर, बल्कि उसके पड़ोसियों को दिए गए उपचारों पर भी निर्भर करता है। यह घटना शास्त्रीय स्थिर इकाई उपचार मूल्य धारणा (Stable Unit Treatment Value Assumption - SUTVA) का उल्लंघन करती है, जो यह मानती है कि संभावित परिणाम अन्य इकाइयों के उपचारों से स्वतंत्र होते हैं। जबकि मौजूदा साहित्य ने नेटवर्क प्रयोगों (जैसे, ग्राफ क्लस्टर रैंडमाइजेशन, रीरैंडमाइजेशन) के लिए रूपरेखा विकसित की है, इन दृष्टिकोणों का मूल्यांकन मुख्य रूप से छोटे या सरल नेटवर्क पर किया जाता है। फलस्वरूप, विविध टोपोलॉजी (जैसे, विरलता, सामुदायिक संरचना) वाले जटिल, बड़े पैमाने के वास्तविक दुनिया के नेटवर्क में उनकी प्रयोज्यता अपर्याप्त रूप से स्थापित है। मुख्य चुनौती ऐसे उपचार आवंटन रणनीतियों को डिजाइन करने की है जो अनुमान दक्षता में सुधार के लिए आवंटन संतुलन (allocation balance) और नेटवर्क टोपोलॉजी को संयुक्त रूप से अनुकूलित कर सकें।

कार्यप्रणाली

1. नेटवर्क मॉडल और हस्तक्षेप ढांचा

लेखक प्रयोगात्मक सेटिंग को $n$ नोड्स वाले एक अनडिरेक्टेड नेटवर्क $G = (V, E)$ के रूप में मॉडल करते हैं। वे एक उपचार-उपचार एज घटना मैट्रिक्स (treatment-treatment edge incidence matrix) $L$ पेश करते हैं, जहाँ प्रविष्टि $L_{j\ell}$ उन किनारों की संख्या है जो उपचार $t(j)$ और $t(\ell)$ वाले नोड्स को जोड़ते हैं। यह मैट्रिक्स नेटवर्क हस्तक्षेप के लिए एक मीट्रिक के रूप में कार्य करता है।

नेटवर्क संरचना को एक रैंडम ग्राफ लॉजिस्टिक मॉडल का उपयोग करके मॉडल किया गया है। नोड्स $i$ और $k$ के बीच एक किनारा होने की संभावना को इस प्रकार परिभाषित किया गया है:
$P(A_{ik} = 1 | X_i, X_k) = \frac{\exp(s_{ik} + \theta L_{t(i)t(k)})}{1 + \exp(s_{ik} + \theta L_{t(i)t(k)})}$
जहाँ $s_{ik}$ सहचर समानता (covariate similarity) को दर्शाता है और $\theta$ उपचार समानता के प्रभाव को नियंत्रित करता है।

2. इष्टतमता मानदंड (Optimality Criterion)

अनजान पैरामीटर $\alpha = (\beta^T, \sigma, \theta)^T$ के लिए फिशर सूचना मैट्रिक्स (Fisher information matrix) $J(\alpha)$ निर्धारित करने के लिए, लेखक इष्टतमता मानदंड को व्युत्पन्न करते हैं, जो इस मैट्रिक्स का सार (determinant) $\tau = \det(J(\alpha))$ है।

चेन और चांग [2023] का अनुसरण करते हुए, सार को (विश्लेषणात्मक सुगमता सुनिश्चित करने के लिए $\theta \to 0$ के सीमित मामले पर विचार करते हुए) इस प्रकार अनुमानित किया गया है:
$\tau = \left( \prod_{j=1}^m n_j \right) \left[ \sum_{h=1}^m \binom{n_h}{2} \frac{L_{hh}^2 \exp(1 + \theta L_{hh})}{[1 + \exp(1 + \theta L_{hh})]^2} + \sum_{j=1}^{m-1} \sum_{\ell > j}^m n_j n_\ell \frac{L_{j\ell}^2 \exp(\theta L_{j\ell})}{[1 + \exp(\theta L_{j\ell})]^2} \right]$
यह मानदंड दो घटकों को संतुलित करता है:

उपचार संतुलन (Treatment Balance): उपचार गणनाओं के गुणनफल $\prod n_j$ द्वारा प्रोत्साहित किया जाता है।
संरचनात्मक अंतःक्रिया (Structural Interaction): उपचार समूहों के बीच वर्ग किनारा घटनाओं (edge incidences) के भारित योग द्वारा कैप्चर किया जाता है, जो नेटवर्क संरचना के सापेक्ष उपचारों के वितरण को दर्शाता है।

3. अनुकूलन एल्गोरिदम (Optimization Algorithm)

चूंकि $\tau$ को अधिकतम करना एक कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्या है, इसलिए लेखक एक लोकल सर्च एल्गोरिदम (Cook और Nachtsheim [1980] तथा Koutra आदि [2021] से अनुकूलित) प्रस्तावित करते हैं। प्रक्रिया में शामिल है:

$R$ रैंडम प्रारंभिक उपचार आवंटन उत्पन्न करना।
एक एकल नोड के उपचार को वैकल्पिक उपचार के साथ बदलने के लिए पुनरावृत्त (iteratively) रूप से बदलना।
यदि परिवर्तन मानदंड मान $\tau$ को बढ़ाता है, तो बदलाव को स्वीकार करना।
प्रत्येक इनिशियलाइजेशन के लिए अभिसरण (convergence) तक दोहराना और सभी रन में से वैश्विक अधिकतम $\tau^*$ का चयन करना।

4. कारण अनुमान (Causal Estimation)

लेखक परिणामी डिजाइनों के कारण गुणों का मूल्यांकन करने के लिए निम्नलिखित का अनुमान लगाते हैं:

कुल उपचार प्रभाव (Total Treatment Effect - TTE): सार्वभौमिक उपचार का औसत प्रभाव।
औसत उपचार प्रभाव (Average Treatment Effect - ATE): एक इकाई पर प्रत्यक्ष प्रभाव, यह मानते हुए कि पड़ोसी अनुपचारित हैं।
औसत हस्तक्षेप प्रभाव (Average Interference Effect - AIE): एक इकाई पर पड़ोसियों के उपचारों का प्रभाव।
अनुमानक विषम रैखिक परिणाम मॉडल (heterogeneous linear outcome model) पर आधारित हैं, जो पड़ोस एक्सपोज़र संभावनाओं ( $\rho_i$ ) को ध्यान में रखते हैं।

मुख्य योगदान और परिणाम

सिमुलेशन अध्ययन

इस ढांचे का परीक्षण चार रैंडम ग्राफ मॉडलों के माध्यम से किया गया: एर्डोस-रेनी (ER), जियोमेट्रिक रैंडम (GR), प्रेफरेंशियल अटैचमेंट (PA), और स्टोकेस्टिक ब्लॉक मॉडल्स (SBM) (संतुलित और असंतुलित दोनों)।

इष्टतमता (Optimality): प्रस्तावित लोकल सर्च एल्गोरिदम ने सभी नेटवर्क प्रकारों में रैंडमाइज्ड डिजाइन, ग्राफ क्लस्टर रैंडमाइजेशन और रीरैंडमाइजेशन की तुलना में लगातार उच्चतम मानदंड मान ( $\tau$ ) प्राप्त किया।
संतुलन (Balance): अनुकूलित डिजाइनों ने उपचार अनुपात को 0.5 के करीब बनाए रखा, जो विशेष रूप से असंतुलित SBMs में क्लस्टर रैंडमाइजेशन में देखी जाने वाली अस्थिरता के विरुद्ध मजबूती प्रदर्शित करता है।
टोपोलॉजी का प्रभाव (Topology Influence): इष्टतम आवंटन नेटवर्क ज्यामिति के अनुकूल थे:
- ER ग्राफ में, उपचार अच्छी तरह से मिश्रित थे।
- GR ग्राफ में, स्थानिक क्लस्टरिंग के कारण स्थानीयकृत उपचार पॉकेट बने।
- PA मॉडलों में, उच्च-डिग्री हब अक्सर एक ही असाइनमेंट साझा करते थे।
- SBMs में, सामुदायिक संरचनाओं ने विशिष्ट उपचार समूहों को प्रेरित किया।

कारण अनुमान प्रदर्शन

TTE अनुमानक: सभी मॉडलों में स्थिर रहे, क्योंकि वे पड़ोस एक्सपोज़र पैटर्न पर निर्भर नहीं करते हैं।
ATE और AIE अनुमानक: पड़ोस एक्सपोज़र ( $\rho_i$ $ρ_{i}$ ) की विषमता के कारण पूर्वाग्रह (bias) प्रदर्शित करते हैं।
- ER और GR ग्राफ में, बड़े पूर्वाग्रह देखे गए, जिसका कारण लगभग शून्य एक्सपोज़र वाले कंट्रोल नोड्स (जो AIE को प्रभावित करते हैं) या उपचारित नोड एक्सपोज़र में उच्च परिवर्तनशीलता (जो ATE को प्रभावित करते हैं) था।
- PA और SBM मॉडलों में, पूर्वाग्रह आम तौर पर कम थे, जो यह सुझाव देता है कि इन संरचनाओं में अनुकूलित आवंटन अधिक समान एक्सपोज़र स्तर उत्पन्न करते हैं।

वास्तविक दुनिया के अनुप्रयोग

इस ढांचे को दो वास्तविक डेटासेट पर लागू किया गया:

कॉलेज हाउसिंग नेटवर्क (278 नोड्स): इष्टतम डिजाइन ने घने निवास हॉल क्लस्टरों और विरल पृथक जोड़ों में उपचारों को वितरित किया, जिससे किसी भी सबग्राफ में एक ही उपचार के प्रभुत्व से बचा जा सका।
ईगो-फेसबुक नेटवर्क (220 नोड्स): डिजाइन ने घने क्लीक (cliques) के भीतर मिश्रण बनाने के लिए उपचार आवंटित किए, जबकि लंबी, विरल परिधीय शाखाओं के साथ समरूपता बनाए रखी।

दोनों मामलों में, अनुकूलित डिजाइनों ने नेटवर्क टोपोलॉजी का सम्मान करते हुए उपचार आवंटन को सफलतापूर्वक संतुलित किया, हालांकि एक्सपोज़र विषमता के कारण ATE और AIE के लिए अनुमानक पूर्वाग्रह बने रहे।

महत्व और दावे

यह शोध पत्र एक नेटवर्क-जागरूक डिजाइन ढांचे को प्रदान करने का दावा करता है जो सैद्धांतिक इष्टतमता मानदंडों और व्यावहारिक, बड़े पैमाने के नेटवर्क प्रयोगों के बीच के अंतर को प्रभावी ढंग से पाटता है। फिशर सूचना मैट्रिक्स को एक स्केलेबल लोकल सर्च एल्गोरिदम के साथ एकीकृत करके, यह दृष्टिकोण जटिल हस्तक्षेप पैटर्न को ध्यान में रखने वाले उपचार असाइनमेंट की पहचान करने के लिए एक कम्प्यूटेशनल रूप से व्यवहार्य तरीका प्रदान करता है।

लेखक इस बात पर जोर देते हैं कि उनका कार्य यह प्रदर्शित करता है कि नेटवर्क टोपोलॉजी मौलिक रूप से इष्टतम उपचार आवंटन को आकार देती है। उनका तर्क है कि इन संरचनात्मक निर्भरताओं को अनदेखा करने से उप-इष्टतम डिजाइन और पक्षपाती कारण अनुमान प्राप्त होते हैं। हालाँकि, शोध पत्र अपनी सीमाओं के संबंध में एक मध्यम स्वर बनाए रखता है:

अनुकूलन अनुमानी (heuristic) है, जो वैश्विक रूप से इष्टतम के बजाय निकट-इष्टतम समाधान प्रदान करता है।
वर्तमान ढांचा अनडिरेक्टेड, स्टैटिक नेटवर्क तक सीमित है, जबकि वास्तविक दुनिया के नेटवर्क निर्देशित (directed), भारित (weighted), या गतिशील (dynamic) हो सकते हैं।
बहु-उपचार सेटिंग्स (multi-treatment settings) में विस्तार करना मानक कारण अनुमानों (TTE, ATE, AIE) की परिभाषा को जटिल बनाता है, जो स्वाभाविक रूप से बाइनरी उपचार-नियंत्रण प्रतिमानों से जुड़े हैं।

अध्ययन इस निष्कर्ष पर पहुँचता है कि यद्यपि प्रस्तावित विधि डिजाइन दक्षता और संतुलन में सुधार करती है, लेकिन नेटवर्क हस्तक्षेप की अंतर्निहित जटिलता के कारण कारण प्रभावों की व्याख्या करते समय एक्सपोज़र विषमता पर सावधानीपूर्वक विचार करने की आवश्यकता होती है।