📊 statistics

Tensor Network Moral Graph Recovery of Discrete Probability Distributions

यह शोध पत्र डिस्क्रीट प्रोबेबिलिटी डिस्ट्रीब्यूशन से एक कॉज़ल DAG के मोरल ग्राफ को रिकवर करने के लिए न्यूक्लियर-नॉर्म-रेगुलराइज्ड फुली कनेक्टेड टेंसर नेटवर्क का उपयोग करने वाली एक विधि प्रस्तावित करता है, जो यह सिद्ध करता है कि विशिष्ट धारणाओं के तहत, शून्य पुनर्निर्माण त्रुटि वाले इष्टतम नेटवर्क सटीक रूप से मोरल ग्राफ की पहचान करते हैं और अनुमानित व्यवस्थाओं के लिए स्पष्ट रिकवरी बाउंड्स प्रदान करते हैं।

मूल लेखक: Á. Troyano Olivas, Chi-Hang Fred Fung, Hans H. Brunner, Momtchil Peev, Vicente Martin

प्रकाशित 2026-09-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Á. Troyano Olivas, Chi-Hang Fred Fung, Hans H. Brunner, Momtchil Peev, Vicente Martin

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

दुनिया कैसे काम करती है, इसे समझने की शुरुआत अक्सर उन अदृश्य धागों को मैप करने से होती है जो घटनाओं को आपस में जोड़ते हैं। डेटा साइंस के क्षेत्र में, शोधकर्ता संख्याओं में पैटर्न देखकर इन धागों को उजागर करने का प्रयास करते हैं, और यह पूछते हैं कि क्या एक चीज़ दूसरी चीज़ का कारण बनती है या वे केवल साथ में घटित होती हैं। इस क्षेत्र में एक केंद्रीय चुनौती प्रत्यक्ष कारण-और-प्रभाव संबंधों (cause-and-effect relationships) और अधिक जटिल, अप्रत्यक्ष संबंधों के बीच अंतर करना है। जब वैज्ञानिक चरों (variables) के एक तंत्र का अध्ययन करते हैं, तो वे अक्सर एक विशिष्ट प्रकार के मानचित्र की तलाश करते हैं जिसे 'मोरल ग्राफ' (moral graph) कहा जाता है। यह मानचित्र उन सभी चरों को जोड़ता है जो सीधे जुड़े हुए हैं, साथ ही उन दो चरों को भी जो एक साझा संतान (common child) साझा करते हैं, भले ही वे एक-दूसरे को सीधे प्रभावित न करते हों। यह एक प्रणाली के पूर्ण कारण संरचना (causal structure) को समझने के लिए एक महत्वपूर्ण मध्यवर्ती चरण के रूप में कार्य करता है, जो यह प्रकट करता है कि सूचना के कौन से हिस्से वास्तव में आपस में जुड़े हुए हैं, बिना किसी भौतिक प्रयोग या हस्तक्षेप की आवश्यकता के।

द दशकों से, शोधकर्ता इन मानचित्रों को बनाने के लिए सांख्यिकीय परीक्षणों (statistical tests) पर भरोसा करते रहे हैं, यह जाँचते हुए कि अन्य कारकों को स्थिर रखने पर चर स्वतंत्र रहते हैं या नहीं। हालाँकि, ये पारंपरिक तरीके अक्सर तब संघर्ष करते हैं जब डेटा सीमित होता है या जब संबंध सूक्ष्म होते हैं, जिससे अंतिम मानचित्र में त्रुटियाँ हो सकती हैं। हाइजनबर्ग रिसर्च सेंटर और सेंटर फॉर कम्प्यूटेशनल सिमुलेशन के शोधकर्ताओं की एक टीम द्वारा विकसित एक नया दृष्टिकोण इस पहेली को हल करने का एक मौलिक रूप से भिन्न तरीका प्रदान करता है। चरों की एक-एक करके जाँच करने के बजाय, वे पूरे तंत्र को सूचना के एक एकल, परस्पर जुड़े जाल के रूप में देखते हैं। एक 'टेंसर नेटवर्क' (tensor network) नामक गणितीय संरचना का उपयोग करके, वे एक जटिल संभाव्यता वितरण (probability distribution) को छोटे, प्रबंधनीय टुकड़ों में विभाजित कर सकते हैं। मुख्य नवाचार यह है कि वे इन टुकड़ों के बीच के कनेक्शन को कैसे संभालते हैं। वे एक पूरी तरह से जुड़े हुए जाल के साथ शुरुआत करते हैं जहाँ प्रत्येक चर दूसरे से जुड़ा होता है, लेकिन वे सिस्टम को इस तरह डिज़ाइन करते हैं कि अनावश्यक लिंक स्वाभाविक रूप से लुप्त हो जाते हैं।

शोधकर्ताओं ने यह उपलब्धि चरों के बीच के कनेक्शन को एक 'बेसलाइन स्टेट' और एक छोटे, समायोज्य सुधार (adjustable correction) के रूप में पैरामीट्राइज़ करके प्राप्त की। बेसलाइन को एक डिफ़ॉल्ट सेटिंग के रूप में सोचें जहाँ चर स्वतंत्र होते हैं, और सुधार को उस विशिष्ट सूचना के रूप में देखें जो उन्हें आपस में बांधती है। वास्तविक संरचना को खोजने के लिए, टीम ने एक गणितीय दबाव, या दंड (penalty) लागू किया, जो इन सुधारों को बहुत बड़ा या जटिल होने से रोकता है। यह दबाव एक फिल्टर की तरह कार्य करता है, जो उन चरों के सुधारों को शून्य तक ले जाता है जो वास्तव में जुड़े हुए नहीं हैं। जैसे-जैसे सिस्टम देखे गए डेटा से मेल खाने के लिए खुद को अनुकूलित (optimize) करता है, अनावश्यक लिंक गायब हो जाते हैं, जिससे केवल वे बंधन ही शेष रह जाते हैं जो वास्तविक सूचना वहन करते हैं। परिणाम एक स्वच्छ, प्रभावी मानचित्र है जो पृथक परीक्षणों की एक श्रृंखला के माध्यम से निर्मित होने के बजाय, सीधे अनुकूलन प्रक्रिया से उभरता है।

अपने अध्ययन में, लेखकों ने सिद्ध किया कि विशिष्ट, तर्कसंगत स्थितियों के तहत, यह विधि पूर्णतः 'मोरल ग्राफ' को पुनः प्राप्त करती है। उन्होंने प्रदर्शन किया कि यदि डेटा एक वास्तविक कारण प्रणाली द्वारा उत्पन्न किया गया है और मॉडल को बिना किसी त्रुटि के डेटा को फिट करने की अनुमति दी जाती है, तो परिणामी मानचित्र में ठीक वही कनेक्शन होंगे और कोई अन्य नहीं। यह प्रमाण इस विचार पर आधारित है कि सूचना को एक मध्यवर्ती चर के माध्यम से पुनर्निर्देशित (reroute) करना एक प्रत्यक्ष संबंध को दर्शाने की तुलना में गणितीय जटिलता के मामले में अधिक "महंगा" होता है। इसलिए, यदि एक सीधा लिंक मौजूद है, तो सिस्टम उसे प्राथमिकता देगा। इसके विपरीत, यदि कोई सीधा लिंक मौजूद नहीं है, तो सिस्टम पाता है कि एक गैर-मोरल एज (non-moral edge) के माध्यम से कनेक्शन को जबरदस्ती थोपना अक्षम है और इसे स्वाभाविक रूप से दबा दिया जाएगा। यह तर्क प्रत्येक इष्टतम समाधान (optimal solution) के लिए सत्य है, जो यह सुनिश्चित करता है कि परिणाम केवल एक भाग्यशाली अनुमान नहीं बल्कि एक गणितीय रूप से गारंटीकृत परिणाम है।

अपने सिद्धांत का परीक्षण करने के लिए, शोधकर्ताओं ने कई छोटे, ज्ञात तंत्रों पर सिमुलेशन चलाए, जिनमें घटनाओं की श्रृंखलाएं, शाखाओं वाली संरचनाएं और जटिल डायमंड-आकार के पैटर्न शामिल थे। हर मामले में, पद्धति ने सही मोरल ग्राफ की सफलतापूर्वक पहचान की, जो अंतर्निहित कारण नियमों द्वारा अनुमानित कनेक्शनों के सटीक सेट को पुनः प्राप्त करती है। टीम ने यह भी पता लगाया कि क्या होता है जब डेटा आदर्श नहीं होता है और मॉडल अवलोकनों को सटीक रूप से फिट नहीं कर पाता है। उन्होंने दिखाया कि छोटी त्रुटियों के साथ भी, यह पद्धति सुदृढ़ बनी रहती है, जो इस बात पर स्पष्ट सीमाएँ प्रदान करती है कि रिकवर किया गया मानचित्र वास्तविकता से कितना विचलित हो सकता है। प्रयोगों ने पुष्टि की कि यह विधि विश्वसनीय रूप से कार्य करती है, जो सरल श्रृंखलाओं से लेकर साझा कारणों या सामान्य प्रभावों वाले अधिक जटिल नेटवर्क तक, सभी परीक्षण किए गए परिदृश्यों में सही संरचना को पुनः प्राप्त करती है।

यह कार्य इस बात का प्रतिनिधित्व करता है कि कैसे कारण संरचनाओं की खोज के तरीके में एक महत्वपूर्ण बदलाव आया है। कठोर, चरण-दर-चरण सांख्यिकीय परीक्षणों को एक निरंतर, विभेद्य अनुकूलन प्रक्रिया (continuous, differentiable optimization process) से बदलकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो सैद्धांतिक रूप से सुदृढ़ और व्यावहारिक रूप से प्रभावी है। इस पद्धति के लिए यह आवश्यक नहीं है कि तंत्र अचक्रीय (acyclic) हो या डेटा पूर्ण हो, और यह चरों के हर संभावित संयोजन की खोज करने वाले 'कॉम्बिनेटोरियल एक्सप्लोजन' (combinatorial explosion) से बचता है। इसके बजाय, यह डेटा की संरचना को ही अंतिम मानचित्र के आकार को निर्धारित करने देता है। हालांकि वर्तमान प्रयोग बड़े नेटवर्क को संभालने की गणनात्मक लागत के कारण छोटे सिस्टम तक सीमित हैं, फिर भी यह दृष्टिकोण जटिल कारण संबंधों को समझने के लिए एक नया मार्ग खोलता है। यह सुझाव देता है कि टेंसर नेटवर्क के लेंस के माध्यम से समस्या को देखकर, शोधकर्ता कारण और प्रभाव की छिपी हुई वास्तुकला को उस स्पष्टता के साथ उजागर कर सकते हैं जो पहले प्राप्त करना कठिन था।

तकनीकी सारांश: असतत संभाव्यता वितरणों का टेंसर नेटवर्क मोरल ग्राफ रिकवरी (Tensor Network Moral Graph Recovery of Discrete Probability Distributions)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र असतत यादृच्छिक चरों (discrete random variables) के तंत्रों के लिए कारण संरचना शिक्षण (causal structure learning) की समस्या को संबोधित करता है। विशेष रूप से, लक्ष्य एक अज्ञात कारण निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) के नैतिक ग्राफ (moral graph) को केवल प्रेक्षण संबंधी डेटा (एक संयुक्त संभाव्यता वितरण $p$ ) से पुन: प्राप्त करना है।

नैतिक ग्राफ एक अनिर्देशित ग्राफ (undirected graph) है जहाँ एक किनारा (edge) दो चरों के बीच तब मौजूद होता है जब वे या तो एक सीधा कारण संबंध साझा करते हैं या एक $v$ -संरचना (v-structure) में सह-अभिभावक (co-parents) होते हैं। यह एक DAG के मार्कोव तुल्यता वर्ग (Markov equivalence class) का एक मौलिक अपरिवर्तनीय (invariant) है और इसे बिना किसी हस्तक्षेप (intervention) के विशुद्ध रूप से प्रेक्षण संबंधी डेटा से पहचाना जा सकता है। मौजूदा विधियाँ आमतौर पर दो श्रेणियों में आती हैं:

प्रतिबंध-आधारित विधियाँ (Constraint-based methods): (जैसे, PC एल्गोरिदम) ये सशर्त स्वतंत्रता (conditional independence - CI) परीक्षणों पर निर्भर करती हैं, जो परिमित-नमूना क्षरण (finite-sample degradation) और कमजोर निर्भरता पहचान से ग्रस्त होती हैं।
स्कोर-आधारित विधियाँ (Score-based methods): (जैसे, GES, NOTEARS) ये DAGs पर निरंतर अनुकूलन (continuous optimization) के रूप में सीखने को पुनर्गठित करती हैं, लेकिन इन्हें कॉम्बिनेटोरियल खोज स्थानों (combinatorial search spaces) का सामना करना पड़ता है और इनमें अचक्रीयता बाधाओं (acyclicity constraints) की आवश्यकता होती है।

यह कार्य एक मौलिक रूप से भिन्न दृष्टिकोण प्रस्तावित करता है जो असतत CI परीक्षणों और DAG-स्पेस खोज से बचता है, बल्कि संभाव्यता वितरण को एक पूर्णतः संकनेक्टेड टेंसर नेटवर्क (Fully Connected Tensor Network - FCTN) में विघटित करके इसे हल करता है।

2. कार्यप्रणाली (Methodology)

2.1 टेंसर नेटवर्क एंसेट (Tensor Network Ansatz)

यह विधि संयुक्त वितरण $p(V_1, \dots, V_m)$ को एक पूर्णतः संकनेक्टेड टेंसर नेटवर्क के संकुचन (contraction) के रूप में निरूपित करती है। नेटवर्क में शामिल हैं:

स्थानीय टेंसर ( $N^{[i]}$ ): प्रत्येक चर $V_i$ से जुड़े हुए।
बॉन्ड मैट्रिसेस ( $B_{ij}$ ): प्रत्येक जोड़ी साइटों $\{i, j\}$ को जोड़ते हैं।

महत्वपूर्ण रूप से, प्रत्येक बॉन्ड मैट्रिक्स को एक बेसलाइन प्लस एक लो-रैंक सुधार (low-rank correction) के रूप में पैरामीटराइज किया गया है:
$B_{ij} = J_{ij} + C_{ij} = J_{ij} + U_{ij}V_{ij}^\top$
जहाँ $J_{ij}$ एक निश्चित 'ऑल-वन्स' मैट्रिक्स है (जो उस बेसलाइन का प्रतिनिधित्व करता है जहाँ साइटें स्वतंत्र हैं) और $C_{ij}$ एक लो-रैंक सुधार मैट्रिक्स है। कारक $U_{ij}$ और $V_{ij}$ प्रशिक्षित करने योग्य पैरामीटर (trainable parameters) हैं।

2.2 उद्देश्य फलन और नियमितीकरण (Objective Function and Regularization)

सीखने का उद्देश्य वास्तविक वितरण $p$ और टेंसर नेटवर्क सन्निकटन $TN(\theta)$ के बीच पुनर्निर्माण त्रुटि (reconstruction error) को कम करना है, जिसे सुधारों (corrections) पर एक न्यूक्लियर-नॉर्म पेनल्टी (nuclear-norm penalty) द्वारा नियमित किया जाता है:
$J(\theta) = \|p - TN(\theta)\|_2^2 + \frac{\beta}{2} \sum_{\{V_i, V_j\}} (\|U_{ij}\|_F^2 + \|V_{ij}\|_F^2)$
यह दंड (penalty) प्रिमिटिव आइडेंटिटी $\|C_{ij}\|_* = \min_{C=UV^\top} \frac{1}{2}(\|U\|_F^2 + \|V\|_F^2)$ के माध्यम से न्यूक्लियर नॉर्म $\|C_{ij}\|_*$ को लागू करता है। यह निरंतर, अवकलनीय (differentiable) दंड अनावश्यक बॉन्ड सुधारों को शून्य की ओर ले जाता है।

2.3 प्रभावी ग्राफ रिकवरी (Effective Graph Recovery)

प्रभावी ग्राफ $G_{eff}$ को उन किनारों के सेट के रूप में परिभाषित किया गया है जहाँ सुधार मैट्रिक्स का न्यूक्लियर नॉर्म गैर-शून्य (non-zero) है (या प्रभावी रैंक $>0$ है):
$G_{eff} = \{ \{V_i, V_j\} : \|C_{ij}\|_* > 0 \}$
यह विधि मानती है कि ऑप्टिमाइज़र स्वाभाविक रूप से गैर-नैतिक किनारों को हटा देगा (सुधार $C_{ij} = J_{ij}$ सेट करके) जबकि नैतिक किनारों को बनाए रखेगा, जिससे अनुकूलित मापदंडों से सीधे ग्राफ संरचना उभर सकेगी।

3. सैद्धांतिक ढांचा और प्रमुख योगदान (Theoretical Framework and Key Contributions)

शोध पत्र विशिष्ट मान्यताओं के तहत सटीक और अनुमानित रिकवरी के लिए कठोर सैद्धांतिक गारंटी प्रदान करता है: Faithfulness (निष्ठा), Positivity (सकारात्मकता), और एक No-Implicit-Rerouting (कोई अंतर्निहित पुनर्रूटिंग नहीं) धारणा।

3.1 मुख्य तंत्र: रिरूटिंग लागत (Rerouting Cost)

एक केंद्रीय लेम्मा (Lemma 11) स्थापित करता है कि एक मध्यवर्ती नोड के माध्यम से सहसंबंध को पुनर्रूट (reroute) करना प्रत्यक्ष प्रतिनिधित्व की तुलना में स्पष्ट रूप से अधिक महंगा है।

यदि $V_i$ और $V_j$ के बीच एक निर्भरता मौजूद है, तो इसे सीधे बॉड $C_{ij}$ के माध्यम से दर्शाना इष्टतम है।
यदि सीधा बॉड हटा दिया जाता है, तो इस निर्भरता को अन्य नोड्स (जैसे, $V_i \to V_\omega \to V_j$ ) के माध्यम से "रिरूट" करना होगा। इसके लिए आइडेंटिटी पास-थ्रू मैट्रिसेस की आवश्यकता होगी जो फ्रोबेनियस नॉर्म पेनल्टी को सुधार की रैंक ( $K_{ij}$ ) के बराबर बढ़ा देते हैं।
फलस्वरूप, ऑप्टिमाइज़र वास्तविक सशर्त निर्भरताओं के लिए सीधे बॉन्ड्स को प्राथमिकता देता है।

3.2 सटीक रिकवरी (शून्य त्रुटि) (Exact Recovery - Zero Error)

थ्योरम 16 कहता है कि Faithfulness, Positivity, और No-Implicit-Rerouting धारणा के तहत, प्रत्येक इष्टतम FCTN जिसका पुनर्निर्माण त्रुटि शून्य ( $\varepsilon = 0$ ) है, उसका प्रभावी ग्राफ बिल्कुल नैतिक ग्राफ के बराबर होता है।

निचली सीमा (Lower Bound - Theorem 13): नैतिक किनारों में गैर-शून्य सुधार होने चाहिए। यदि एक नैतिक किनारा शून्य होता, तो निर्भरता को पुनर्रूट करना पड़ता, जिससे उच्च पेनल्टी लगती, जो इष्टतमता का खंडन करती।
ऊपरी सीमा (Upper Bound - Theorem 15): गैर-नैतिक किनारों में शून्य सुधार होना चाहिए। गैर-नैतिक किनारे शून्य सशर्त पारस्परिक सूचना (Conditional Mutual Information - CMI) रखते हैं। ऐसा कोई भी गैर-शून्य सुधार जो या तो एक अवांछित आर्टिफैक्ट हो, एक स्पष्ट पुनर्रूटिंग (जो उप-इष्टतम है), या एक अंतर्निहित पुनर्रूटिंग (जिसे धारणा 3 द्वारा खारिज किया गया है) हो, वह इस नियम के अधीन है।

3.3 अनुमानित रिकवरी (गैर-शून्य त्रुटि) (Approximate Recovery - Non-Zero Error)

जहाँ पुनर्निर्माण त्रुटि $\varepsilon > 0$ है, उस स्थिति के लिए शोध पत्र सशर्त पारस्परिक सूचना की Fannes–Audenaert निरंतरता (continuity) का उपयोग करके स्पष्ट रिकवरी बाउंड्स निकालता है।

थ्योरम 18: यदि पुनर्निर्माण त्रुटि इतनी कम है कि निरंतरता बाउंड $f(\varepsilon)$ , वास्तविक नैतिक किनारों की न्यूनतम सशर्त पारस्परिक सूचना ( $\delta_{min}$ ) से कम है, तो प्रभावी ग्राफ में सभी नैतिक किनारे शामिल होंगे।
गैर-नैतिक किनारे जिनमें गैर-शून्य सुधार हैं, उन्हें $f(\varepsilon)$ द्वारा सीमित किया जाता है, जिससे उन्हें थ्रेशोल्डिंग (thresholding) के माध्यम से हटाया जा सकता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने ज्ञात कारण DAGs से उत्पन्न चार सिंथेटिक असतत वितरणों पर अपने तरीके को सत्यापित किया:

Chain (श्रंखला): $X \to Z \to Y$
Fork (शाखा): $Z \to X, Z \to Y$
Collider (टकराव): $X \to Z \leftarrow Y$
Diamond (हीरा): एक $v$ -संरचना और एक चेन का संयोजन।

निष्कर्ष:

इन चारों मामलों में, रैंक-आधारित प्रभावी ग्राफ जो बॉन्ड मैट्रिसेस से निकाला गया था, वह बिल्कुल ग्राउंड-ट्रुथ नैतिक ग्राफ के साथ मेल खाता था।
पद्धति ने कोलाइडर और डायमंड संरचनाओं में सह-अभिभावकों के बीच नैतिक किनारे को सफलतापूर्वक पहचाना।
पुनर्निर्मित वितरण पर एक पोस्ट-हॉक सशर्त पारस्परिक सूचना (CMI) डायग्नोस्टिक, जब पुनर्निर्माण त्रुटि अधिक थी, कम मजबूत था, जो सरल CMI थ्रेशोल्डिंग के बजाय अनुमानित शासन (approximate regime) में रैंक-आधारित मानदंड की सैद्धांतिक आवश्यकता की पुष्टि करता है।

5. महत्व और दावे (Significance and Claims)

लेखक निम्नलिखित महत्व का दावा करते हैं:

समाधान की विशिष्टता (Uniqueness of Solution): संरचना शिक्षण के कई परिणामों के विपरीत, जो अस्तित्व (existence) सिद्ध करते हैं, यह कार्य एक विशिष्टता कथन प्रदान करता है: प्रत्येक इष्टतम शून्य-त्रुटि समाधान सही नैतिक ग्राफ देता है, न कि केवल कुछ।
संरचना शिक्षण का निरंतर विश्राम (Continuous Relaxation of Structure Learning): यह असतत CI परीक्षणों को एक निरंतर, अवकलनीय उद्देश्य फलन से बदल देता है, जो टेंसर नेटवर्क की ज्यामिति का लाभ उठाता है।
सैद्धांतिक कठोरता (Theoretical Rigor): यह सूचना-सिद्धांतिक निरंतरता के माध्यम से पुनर्निर्माण त्रुटि को सीधे ग्राफ रिकवरी गारंटी से जोड़ते हुए, अनुमानित रिकवरी के लिए स्पष्ट बाउंड्स प्रदान करता है।
कारण खोज में नवीनता (Novelty in Causal Discovery): यह विशेष रूप से नैतिक ग्राफ को पुनः प्राप्त करने के लिए न्यूक्लियर-नॉर्म नियमितकृत बॉन्ड सुधारों को टेंसर नेटवर्क में लागू करने वाला पहला कार्य है, जो इसे भौतिकी या संपीड़न में मानक टेंसर नेटवर्क अनुप्रयोगों से अलग करता है।

6. सीमाएँ (Limitations)

लेखक निम्नलिखित सीमाओं को स्वीकार करते हैं:

No-Implicit-Rerouting धारणा: सैद्धांतिक गारंटी इस धारणा पर निर्भर करती है कि स्थानीय टेंसर आंतरिक रूप से बहु-चर निर्भरता की गणना करके प्रत्यक्ष बॉन्ड्स की जगह नहीं ले सकते। हालांकि प्रयोगों (जहाँ बॉन्ड आयाम स्टेट स्पेस से छोटे थे) में यह अनुभवजन्य रूप से संतुष्ट है, एक औपचारिक संरचनात्मक प्रमाण भविष्य के कार्य के लिए छोड़ दिया गया है।
गैर-उत्तलता (Non-Convexity): उद्देश्य फलन गैर-उत्तल (non-convex) है, जिसका अर्थ है कि वैश्विक इष्टतमता (global optimality) की गारंटी ग्रेडिएंट डिसेंट द्वारा नहीं दी जा सकती है, हालांकि प्रभावी ग्राफ की असतत प्रकृति समाधान को छोटे परिवर्तनों के प्रति मजबूत बनाती है।
स्केलेबिलिटी (Scalability): पूर्णतः संकनेक्टेड टेंसर नेटवर्क का ट्रीविड्थ (treewidth) $m-1$ है, जिससे घातीय संकुचन लागत $O(d^m r^{m-1})$ होती है। यह विधि को कम संख्या में चरों ( $m \lesssim 10$ ) तक सीमित करता है। लेखक बड़े तंत्रों के लिए अनुमानित संकुचन रणनीतियों (जैसे, ट्रंकेशन, रेनोर्मालाइजेशन) को एक पथ के रूप में सुझाते हैं।
कारण अभिविन्यास (Causal Orientation): यह विधि अनिर्देशित नैतिक ग्राफ को पुनः प्राप्त करती है। पूर्ण DAG को पुनः प्राप्त करने के लिए किनारों को उन्मुख (orient) करने हेतु अतिरिक्त जानकारी (हस्तक्षेप) या अलग ओरिएंटेशन नियमों की आवश्यकता होती है।