💻 computer science

Do-Calculus Interventions in Predictive Coding Networks: Formal Correspondence, Empirical Validation, and Architectural Prescriptions for Clinical Causal AI

यह शोध पत्र प्रेडिक्टिव कोडिंग नेटवर्क डायनेमिक्स और पर्ल के डू-कैलकुलस (do-calculus) के बीच एक औपचारिक पत्राचार स्थापित करता है, जो सैद्धांतिक व्युत्पत्ति और नैदानिक बेंचमार्क पर अनुभवजन्य सत्यापन के माध्यम से यह प्रदर्शित करता है कि विशिष्ट वास्तुशिल्प हस्तक्षेप इन नेटवर्कों को सटीक रूप से कारण तर्क (causal reasoning) करने और इंटरवेंशनल प्रभावों का अनुमान लगाने में मानक साहचर्य मॉडलों (associational models) से बेहतर प्रदर्शन करने में सक्षम बनाते हैं।

मूल लेखक: Hassan Farooq

प्रकाशित 2026-07-07

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hassan Farooq

मूल पेपर CC BY 4.0 (https://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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: भविष्यवाणी बनाम क्रिया (Predicting vs. Doing)

कल्पना कीजिए कि आप एक डॉक्टर हैं जो मरीजों का इलाज करना सीख रहे हैं।

मानक AI (द "ऑब्ज़र्वर" या प्रेक्षक): यह AI उस छात्र की तरह है जो केवल दुनिया को देखता है। वह देखता है कि जिन मरीजों ने दवा A ली, वे आमतौर पर ठीक हो गए। वह यह पैटर्न सीख लेता है: दवा A = अच्छा परिणाम। लेकिन वह यह नहीं समझता कि क्यों। यदि आप उससे पूछें, "क्या होगा अगर हम मरीज को दवा A लेने के लिए मजबूर करें?" तो वह भ्रमित हो सकता है क्योंकि उसने कभी ऐसी स्थिति नहीं देखी जहाँ डॉक्टर ने दवा लेने के लिए मजबूर किया हो; उसने केवल उन मरीजों को देखा जिन्होंने अपने विशिष्ट लक्षणों के आधार पर दवा चुनी या जिसे उन्हें दिया गया।
नया AI (द "इंटरवेनर" या हस्तक्षेप करने वाला): यह पेपर प्रेडिक्टिव कोडिंग (Predictive Coding) पर आधारित एक नए प्रकार के AI को पेश करता है। इस AI को एक ऐसे वैज्ञानिक के रूप में सोचें जो दुनिया कैसे काम करती है, इसका एक मानसिक मॉडल बनाता है। यह केवल पैटर्न को याद नहीं करता; यह कारण-और-प्रभाव (cause-and-effect) का अनुकरण (simulate) करता है।

पेपर पूछता है: क्या यह "वैज्ञानिक" AI, "प्रेक्षक" AI की तुलना में "क्या होगा यदि?" (हस्तक्षेप/interventions) वाले सवालों के जवाब बेहतर तरीके से दे सकता है?

मुख्य तंत्र: "क्लैंप एंड कट" (Clamp and Cut) की तरकीब

यह पेपर इस AI को वैज्ञानिक की तरह सोचने के लिए एक विशेष तरकीब प्रस्तावित करता है।

सेटअप: कल्पना कीजिए कि AI के पास विचारों का एक नेटवर्क है जो एक फैमिली ट्री (वंशवृक्ष) की तरह जुड़ा हुआ है। ऊपरी विचार (जैसे "जेनेटिक्स") मध्यवर्ती विचारों (जैसे "लक्षणों") को प्रभावित करते हैं, जो निचले विचारों (जैसे "उपचार") को प्रभावित करते हैं।
समस्या: सामान्य जीवन में, यदि आप एक लक्षण देखते हैं, तो आपका मस्तिष्क उसके कारण के बारे में अपने अनुमान को अपडेट करता है। यदि आप एक उपचार देखते हैं, तो आपका मस्तिष्क उसके कारण के बारे में अपने अनुमान को अपडेट करता है।
तरकीब (Do-Calculus): एक हस्तक्षेप (जैसे किसी मरीज को दवा लेने के लिए मजबूर करना) का अनुकरण करने के लिए, पेपर कहता है कि आपको दो चीजें करनी चाहिए:
- क्लैंप (Clamp): "उपचार" नोड को एक विशिष्ट मान (जैसे "दवा A लें") पर लॉक कर दें।
- कट (Cut): "लक्षणों" से "उपचार" तक के कनेक्शन को काट दें।

उदाहरण:
एक कठपुतली के खेल की कल्पना करें।

सामान्य AI: कठपुतली चलाने वाला (लक्षण) डोर खींचता है, और कठपुतली (उपचार) हिलती है। कठपुतली की गति दर्शकों को बताती है कि कठपुतली चलाने वाला क्या कर रहा है।
इंटरवेंशनल AI: आप कठपुतली के हाथ को पकड़ते हैं और उसे हाथ हिलाने के लिए मजबूर करते हैं (Clamp)। फिर, आप कठपुतली के हाथ को कठपुतली चलाने वाले के हाथ से जोड़ने वाली डोर को काट देते हैं (Cut)। अब, कठपुतली हाथ हिला रही है, लेकिन इसलिए नहीं क्योंकि कठपुतली चलाने वाले ने संकेत दिया है, बल्कि इसलिए क्योंकि आपने उसे मजबूर किया है। AI समझ जाता है: "कठपुतली हाथ हिला रही है, लेकिन यह कठपुतली चलाने वाले के संकेत के कारण नहीं है। यह इसलिए है क्योंकि मैंने इसे मजबूर किया है।"

यह पेपर गणितीय रूप से (प्रपोजिशन 1) सिद्ध करता है कि यदि आप उनके विशिष्ट AI आर्किटेक्चर में यह "क्लैंप एंड कट" करते हैं, तो यह हस्तक्षेप (intervention) की गणितीय परिभाषा (पर्ल का do-ऑपरेटर) की सटीक नकल करता है।

प्रयोग: क्या यह वास्तव में काम करता है?

लेखकों ने तीन अलग-अलग परिदृश्यों में इसका परीक्षण किया:

1. टॉय टेस्ट (प्रूफ ऑफ कॉन्सेप्ट)
उन्होंने तीन नोड्स वाला एक छोटा, सरल संसार बनाया: डायग्नोसिस $\rightarrow$ लक्षण $\rightarrow$ उपचार।

परिणाम: जब उन्होंने "लक्षण" को मौजूद होने के लिए मजबूर किया और "डायग्नोसिस" से संबंध को काट दिया, तो AI ने डायग्नोसिस और लक्षणों के बीच के सामान्य लिंक को सही ढंग से अनदेखा कर दिया। इसने सिद्ध किया कि सरल, नियंत्रित वातावरण में गणित बिल्कुल वैसा ही काम करता है जैसा भविष्यवाणी की गई थी।

2. वास्तविक दुनिया का परीक्षण ("बेबी हेल्थ" डेटासेट)
उन्होंने शिशु स्वास्थ्य (IHDP) के बारे में एक डेटासेट का उपयोग किया यह देखने के लिए कि क्या यह AI भविष्यवाणी कर सकता है कि क्या होगा यदि किसी बच्चे को एक विशिष्ट उपचार दिया जाए, भले ही प्रशिक्षण डेटा केवल वही दिखा रहा था जो वास्तव में हुआ था।

प्रतिद्वंद्वी: एक मानक AI (MLP) जो केवल पैटर्न को याद करता है।
परिणाम: मानक AI ने "क्या होगा यदि?" वाले सवालों पर बहुत बड़ी गलतियाँ कीं। नया प्रेडिक्टिव कोडिंग AI काफी कम गलतियाँ करता है।
पेंच: नया AI अतीत में जो हुआ उसे बताने में (अवलोकन संबंधी डेटा) मानक AI की तुलना में वास्तव में खराब था। हालांकि, यह नई स्थितियों के तहत भविष्य की भविष्यवाणी करने में बहुत बेहतर था।
सबक: अतीत को याद रखने में अच्छा होने का मतलब यह नहीं है कि आप भविष्य की भविष्यवाणी करने में भी अच्छे हैं यदि नियम बदल दिए जाएं।

3. "सीक्रेट सॉस" (एब्लेशन स्टडीज)
लेखकों ने यह पता लगाने की कोशिश की कि नया AI बेहतर क्यों काम करता है। उन्होंने पाया कि एक मुख्य कारक है: लेटेंट डायमेंशन (Latent Dimension) (इसे AI की "शॉर्ट-टर्म मेमोरी" के आकार के रूप में सोचें)।

छोटी मेमोरी (अच्छा): यदि AI की मेमोरी छोटी है, तो वह अतीत के सभी उलझे हुए, भ्रमित करने वाले विवरणों को याद नहीं रख पाता है। इसे कारण-और-प्रभाव के सरल, मूल नियमों को सीखने के लिए मजबूर होना पड़ता है। इसने इसे हस्तक्षेप (interventions) के लिए बेहतरीन बना दिया।
बड़ी मेमोरी (बुरा): यदि मेमोरी बहुत बड़ी है, तो AI हर छोटी संयोग और विवरण को याद कर लेता है। जब नियम बदलते हैं, तो यह भ्रमित हो जाता है।
उदाहरण: एक छोटी नोटबुक वाला छात्र भौतिकी के केवल सबसे महत्वपूर्ण नियमों को लिखने के लिए मजबूर होता है। एक विशाल पाठ्यपुस्तक वाला छात्र हर विशिष्ट उदाहरण को याद करने की कोशिश कर सकता है, जो उन्हें तब भ्रमित कर देता है जब कोई नई समस्या सामने आती है।

4. अस्पताल टेस्ट (MIMIC-IV)
उन्होंने इसे ICU डेटा (MIMIC-IV) पर टेस्ट किया।

समस्या: इस छोटे डेटासेट में, AI संघर्ष कर रहा था क्योंकि "उपचार" को उसके डिजाइन में "परिणाम" से स्पष्ट रूप से नहीं जोड़ा गया था।
समाधान: उन्होंने PCNetworkV3 बनाया, जिसने AI को उपचार से परिणाम तक एक सीधा "वायरिंग" दिया, जिससे मेमोरी बॉटलनेक (bottleneck) से बचा जा सके।
परिणाम: इस संस्करण ने उपचार के वास्तविक प्रभाव (Average Treatment Effect) की गणना सफलतापूर्वक की, जिसमें केवल 8.3% की त्रुटि थी, जबकि पिछला संस्करण पूरी तरह विफल रहा था।

निष्कर्षों का सारांश

सिद्धांत: आप एक प्रेडिक्टिव कोडिंग नेटवर्क को एक कारण संबंधी तर्क (causal reasoning) मशीन में बदल सकते हैं, यदि आप एक वेरिएबल को "क्लैंप" करते हैं और उसके आने वाले एरर सिग्नल को "काट" देते हैं।
प्रमाण: यह सरल गणितीय मॉडलों में पूरी तरह से काम करता है और वास्तविक दुनिया के डेटा पर "क्या होगा यदि?" परिदृश्यों की भविष्यवाणी करने में मानक AI की तुलना में काफी बेहतर है।
डिजाइन नियम: यदि आप AI को कारण संबंधी तर्क (causal reasoning) में अच्छा बनाना चाहते हैं, तो आपको इसे जितना संभव हो उतना बड़ा नहीं बनाना चाहिए। आपको इसकी "मेमोरी" (लेटेंट डायमेंशन) इतनी छोटी रखनी चाहिए कि यह दुनिया के नियमों को सीखने के बजाय केवल उदाहरणों को याद करने के बजाय नियमों को सीखने के लिए मजबूर हो।
आर्किटेक्चर: क्लिनिकल डेटा के लिए, AI को सही ढंग से काम करने के लिए "उपचार" से "परिणाम" तक एक सीधा रास्ता चाहिए।

यह पेपर क्या दावा नहीं करता है:

यह दावा नहीं करता कि यह AI कल ही मरीजों का इलाज करने के लिए तैयार है।
यह दावा नहीं करता कि यह सभी प्रकार के मेडिकल डेटा (जैसे इमेज या टाइम-सीरीज) के लिए काम करता है।
यह दावा नहीं करता कि यह 'कॉज़ल AI' का एकमात्र तरीका है, बल्कि यह बताता है कि यह विशिष्ट जैविक-प्रेरित आर्किटेक्चर एक अनूठा लाभ देता है।

संक्षेप में, यह पेपर दिखाता है कि एक ऐसा AI बनाकर जो यह नकल करता है कि मस्तिष्क त्रुटियों (errors) की भविष्यवाणी कैसे करता है, और फिर परीक्षण के दौरान कुछ इनपुट को "अनदेखा" करने के लिए मजबूर करके, हम एक ऐसी मशीन बना सकते हैं जो "यदि हम इसे बदल दें तो क्या होगा?" जैसे सवालों के जवाब देने में आश्चर्यजनक रूप से अच्छी होती है, बशर्ते हम उसकी आंतरिक मेमोरी को छोटा और केंद्रित रखें।

तकनीकी सारांश: प्रेडिक्टिव कोडिंग नेटवर्क में Do-Calculus हस्तक्षेप (Interventions)

समस्या विवरण
क्लिनिकल निर्णय सहायता प्रणालियों (Clinical decision support systems) को ऐसे AI की आवश्यकता होती है जो केवल ऐतिहासिक अवलोकन संबंधी पैटर्न (observational patterns) से परिणामों की भविष्यवाणी करने के बजाय, कार्यों (हस्तक्षेपों) के परिणामों के बारे में तर्क करने में सक्षम हो। इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) पर प्रशिक्षित मानक प्रेडिक्टिव मॉडल अक्सर प्रोस्पेक्टिव परिनियोजन (prospective deployment) के दौरान विफल हो जाते हैं जब उपचार नीतियां प्रशिक्षण डेटा से भिन्न होती हैं, जिससे अवलोकन संबंधी $P(Y|X)$ और हस्तक्षेप संबंधी वितरण $P(Y|do(T=t))$ के बीच एक वितरण बदलाव (distributional shift) उत्पन्न होता है। जबकि पर्ल का do-calculus ऐसे तर्क के लिए एक औपचारिक ढांचा प्रदान करता है, अधिकांश कॉज़ल मशीन लर्निंग विधियां हस्तक्षेप संबंधी तर्क को एक पोस्ट-हॉक एस्टीमेशन समस्या के रूप में मानती हैं जो उन आर्किटेक्चर पर आधारित होती है जिनमें हस्तक्षेपों को दर्शाने के लिए आंतरिक तंत्र का अभाव होता है। यह अभी भी अपरीक्षित है कि क्या विशिष्ट न्यूरल आर्किटेक्चर, जैसे कि प्रेडिक्टिव कोडिंग (PC) नेटवर्क, अपने आंतरिक डायनेमिक्स के माध्यम से हस्तक्षेप संबंधी तर्क (interventional reasoning) को स्वाभाविक रूप से समर्थन दे सकते हैं।

कार्यप्रणाली
यह शोध पत्र प्रेडिक्टिव कोडिंग नेटवर्क के डायनेमिक्स और पर्ल के do-calculus के बीच एक औपचारिक पत्राचार (correspondence) प्रस्तावित और मान्य करता है।

सैद्धांतिक ढांचा: लेखक प्रपोजिशन 1 (Proposition 1) को व्युत्पन्न करते हैं, जो यह प्रतिपादित करता है कि एक लीनियर-गौसियन स्ट्रक्चरल कॉज़ल मॉडल (SCM) में, एक PC नोड को "हार्ड क्लैंपिंग" (किसी मान $c$ पर स्थिर करना) करना और साथ ही अपस्ट्रीम बॉटम-अप प्रेडिक्शन एरर का दमन (suppression) करना, सूचनात्मक रूप से $do(T=c)$ ऑपरेटर के समान है। यह दमन अपस्ट्रीम नोड से उसके पूर्वजों (ancestors) तक सूचना के मार्ग को काट देता है, जो do-ऑपरेटर द्वारा किए जाने वाले ग्राफ सर्जरी (graph surgery) की नकल करता है।
आर्किटेक्चर:
- PCNetworkV2: यह एक साझा लेटेंट रिप्रजेंटेशन $z$ का उपयोग करके प्रपोजिशन 1 को लागू करता है जो कोवेरिएट्स और आउटकम्स को डिकोड करता है। इंटरवेंशनल प्रेडिक्शन में ट्रीटमेंट फीचर को क्लैंप करना और लेटेंट ग्रेडिएंट्स की गणना करने से पहले संबंधित रिकंस्ट्रक्शन एरर कॉलम को शून्य करना शामिल है।
- PCNetworkV3: एक संशोधन जहाँ आउटकम डिकोडर को लेटेंट रिप्रजेंटेशन के साथ-साथ ट्रीटमेंट वेरिएबल तक सीधी पहुँच प्राप्त होती है, जिसे क्लिनिकल ग्राफ्स को संभालने के लिए डिज़ाइन किया गया है जहाँ ट्रीटमेंट का आउटकम के साथ सीधा संबंध होता है।
- बेसलाइन: MSE लॉस के साथ प्रशिक्षित एक मानक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) एसोसिएशन संबंधी बेसलाइन के रूप में कार्य करता है।
बेंचमार्क्स:
- टॉय SCM: एक तीन-नोड लीनियर-गौसियन SCM (Diagnosis $\to$ Symptom $\to$ Treatment) जिसका उपयोग सटीक गणितीय पत्राचार को मान्य करने के लिए किया गया है।
- IHDP (इन्फेंट हेल्थ एंड डेवलपमेंट प्रोग्राम): एक सेमी-सिंथेटिक बेंचमार्क ( $n=747$ ) जिसमें वास्तविक कोवेरिएट संरचना और पुनर्गठित काउंटरफैक्टुअल आउटकम्स का उपयोग किया गया है ताकि "इंटरवेंशनल गैप" (अवलोकन संबंधी और हस्तक्षेप संबंधी Mean Absolute Error के बीच का अंतर) को मापा जा सके।
- सिंथेटिक SCMs: विभिन्न टोपोलॉजी (Chain, Mediator, Collider) और कन्फाउंडिंग स्ट्रेंथ के माध्यम से एब्लेशन अध्ययनों के लिए उपयोग किए गए।
- MIMIC-IV: वास्तविक ICU कोवेरिएट संरचना का उपयोग करने वाला एक छोटा-नमूना ( $n=140$ ) सेमी-सिंथेटिक बेंचमार्क, जो एवरेज ट्रीटमेंट इफेक्ट (ATE) रिकवरी का परीक्षण करता है।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदान देता है:

सैद्धांतिक: प्रपोजिशन 1 का व्युत्पन्न और सत्यापन, जो यह स्थापित करता है कि लीनियर-गौसियन SCMs में PC क्लैंपिंग और एरर सप्रेशन सटीक रूप से do-ऑपरेटर को लागू करता है।
अनुभवजन्य (Empirical): IHDP डेटासेट पर MLP बेसलाइन की तुलना में PCNetworkV2 द्वारा इंटरवेंशनल प्रदर्शन अंतराल में सांख्यिकीय रूप से महत्वपूर्ण कमी लाना (गैप रिडक्शन = 0.237 MAE यूनिट्स, $p < 0.0001$ )। यह लाभ Chain, Mediator, और Collider टोपोलॉजी में सामान्यीकृत होता है।
निदेशात्मक (Prescriptive): यह पहचानना कि लेटेंट डायमेंशन (latent dimension) इंटरवेंशनल लाभ का प्राथमिक आर्किटेक्चरल निर्धारक है। एब्लेशन अध्ययन दिखाते हैं कि छोटे लेटेंट डायमेंशन स्प्यूरियस एसोसिएशन को याद रखने के बजाय एक संकुचित कॉज़ल रिप्रजेंटेशन को बनाए रखने में मदद करते हैं। इसके अतिरिक्त, PCNetworkV3 को दिखाया गया है कि वह आउटकम डिकोडर को ट्रीटमेंट को स्पष्ट रूप से रूट करके MIMIC-IV डेटा पर 8.3% त्रुटि के भीतर वास्तविक ATE को रिकवर करता है।

परिणाम

प्रपोजिशन 1 का सत्यापन: टॉय SCM पर, $S=1$ को क्लैंप करने और एरर सप्रेशन के साथ, इसने सही ढंग से प्रायोर डिस्ट्रीब्यूशन $P(D|do(S=1)) = N(0,1) $को पुनरुत्पादित किया, जबकि मानक कंडीशनिंग ने गलत पोस्टीरियर ($ E[D|S=1] \approx 0.640$) दिया।
इंटरवेंशनल गैप: MLP बेसलाइन ने IHDP पर एक बड़ा इंटरवेंशनल गैप (3.215 MAE यूनिट्स) दिखाया। PCNetworkV2 ने इस गैप को 0.237 यूनिट्स कम कर दिया। हालांकि PCNetworkV2 का ऑब्जर्वेशनल MAE (0.461 बनाम 0.106) MLP से अधिक था, लेकिन इसके आर्किटेक्चरल कॉज़ल स्ट्रक्चर ने इंटरवेंशनल सेटिंग्स में एक मापने योग्य लाभ प्रदान किया।
एब्लेशन निष्कर्ष:
- लेटेंट डायमेंशन: इंटरवेंशनल लाभ लेटेंट साइज के साथ नॉन-मोनोटोनिक है; छोटे डायमेंशन ( $d_z=4$ ) बड़े डायमेंशन ( $d_z=32$ ) की तुलना में बेहतर प्रदर्शन करते हैं क्योंकि वे मॉडल को स्प्यूरियस कोरिलेशन के बजाय एक संकुचित कॉज़ल रिप्रजेंटेशन को एनकोड करने के लिए मजबूर करते हैं।
- टोपोलॉजी: लाभ सबसे अधिक कोलाइडर (Collider) संरचनाओं में स्पष्ट था, जहाँ कॉज़ल क्लैंपिंग तंत्र न्यूनतम हस्तक्षेप के साथ कार्य करता है।
- ट्रेनिंग फ्रैक्शन: इंटरवेंशनल ट्रेनिंग डेटा का एक छोटा हिस्सा (5-10%) प्रदर्शन में सुधार करता है, लेकिन उच्च अंश (25%) लेटेंट ऑप्टिमाइजेशन को बाधित करता है।
क्लिनिकल एप्लीकेशन (MIMIC-IV): PCNetworkV3 ने 8.3% त्रुटि के साथ वास्तविक ATE (1.0) को रिकवर किया, जबकि PCNetworkV2 (एक्सप्लिसिट ट्रीटमेंट-टू-आउटकम पाथ के बिना) विफल रहा (100% त्रुटि)। MLP ने एसोसिएशन संबंधी एक्सट्रपलेशन के माध्यम से लगभग पूर्ण ATE एस्टीमेशन (1.5% त्रुटि) प्राप्त किया, जो दर्शाता है कि ATE एस्टीमेशन और इंटरवेंशनल MAE अलग-अलग मेट्रिक्स हैं।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रेडिक्टिव कोडिंग का जैविक तंत्र—विशेष रूप से टॉप-डाउन प्रेडिक्शन और बॉटम-अप एरर अपडेट का पृथक्करण—कॉज़ल रीजनिंग के लिए एक स्वाभाविक आधार प्रदान करता है। मुख्य निष्कर्ष यह है कि आर्किटेक्चरल कॉज़ल स्ट्रक्चर (क्लैंपिंग + एरर सप्रेशन) बिना किसी स्पष्ट इंटरवेंशनल ट्रेनिंग डेटा के भी, मानक एसोसिएशन संबंधी मॉडलों की तुलना में एक वास्तविक, मापने योग्य इंटरवेंशनल लाभ प्रदान करता है।

लेखक विनम्रतापूर्वक निष्कर्ष निकालते हैं कि हालांकि प्रेडिक्टिव कोडिंग नेटवर्क को निश्चित रूप से क्लिनिकल कॉज़ल AI के लिए एकमात्र या सर्वश्रेष्ठ आर्किटेक्चर के रूप में स्थापित नहीं किया गया है, लेकिन उनके चारों ओर निर्मित जैविक तंत्र का एक "अनप्लांड उपयोग" (unplanned use) कॉज़ल रीजनिंग इंजन के रूप में है। यह कार्य सुझाव देता है कि इंटरवेंशनल जनरलाइजेशन के लिए, लेटेंट कैपेसिटी को अधिकतम करने के बजाय एक "कॉज़ल हाइपरपैरामीटर" (जो अक्सर छोटे डायमेंशन का पक्ष लेता है) के रूप में माना जाना चाहिए। वर्तमान निष्कर्ष लीनियर-गौसियन SCMs तक सैद्धांतिक रूप से और मध्यम आकार के, टैबुलर क्लिनिकल डेटासेट्स पर अनुभवजन्य रूप से सीमित हैं, और नॉन-लीनियर, हाई-कन्फाउंडिंग, और बड़े पैमाने के परिवेश में इन दावों को मान्य करने के लिए भविष्य के कार्य की आवश्यकता है।

मुख्य विचार: भविष्यवाणी बनाम क्रिया (Predicting vs. Doing)

मुख्य तंत्र: "क्लैंप एंड कट" (Clamp and Cut) की तरकीब

प्रयोग: क्या यह वास्तव में काम करता है?

निष्कर्षों का सारांश

इसी तरह के और पेपर