📊 statistics

From Risk Sets to Martingales: A Counting-Process Framework for Event-History Learning

यह शोध पत्र काउंटिंग-प्रोसेस नोटेशन और मार्टिंगेल सिद्धांत पर आधारित एक एकीकृत इवेंट-हिस्ट्री लर्निंग फ्रेमवर्क स्थापित करता है जो विविध सेंसरड, रिकरेंट और मल्टीस्टेट डेटा समस्याओं को पांच आवर्ती गणितीय वस्तुओं में अनुवादित करता है, जिससे शास्त्रीय और मशीन-लर्निंग सर्वाइवल विधियों को व्युत्पन्न करने और उनकी तुलना करने के लिए सामान्य कम्प्यूटेशनल एल्गोरिदम, सैद्धांतिक प्रमाण टेम्पलेट और एक साझा भाषा प्राप्त होती है।

मूल लेखक: Eliuvish Han Cui

प्रकाशित 2026-06-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eliuvish Han Cui

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक लाइटबल्ब कब बुझेगा, या किसी मरीज का इलाज के बाद दोबारा बीमारी (relapse) कब होगी। वास्तविक दुनिया में, आपको शायद ही कभी वह सटीक क्षण देखने को मिलता है जब "घटना" घटित होती है। कभी-कभी जब आप देख रहे होते हैं, तब भी लाइटबल्ब चालू रहता है (censoring)। कभी-कभी आप बल्ब को केवल सप्ताह में एक बार देखते हैं और आपको पता होता है कि वह मंगलवार और शुक्रवार के बीच कभी भी टूट गया होगा (interval censoring)। कभी-कभी एक मरीज बीमार हो सकता है, ठीक हो सकता है, फिर से बीमार हो सकता है, और फिर मर सकता है (multistate)।

यह शोध पत्र अनिवार्य रूप से इन सभी उलझी हुई, अधूरी समय-सीमाओं को संभालने के लिए एक यूनिवर्सल ट्रांसलेटर (सार्वभौमिक अनुवादक) और एक कंस्ट्रक्शन किट (निर्माण किट) है। लेखक, एल्विस हान कुई (Elvis Han Cui), यह तर्क देते हैं कि हर प्रकार के सर्वाइवल डेटा (survival data) को एक अलग, भ्रमित करने वाली समस्या मानने के बजाय, हम उन सभी को एक एकल, शक्तिशाली गणितीय दृष्टिकोण के माध्यम से देख सकते हैं जिसे काउंटिंग-प्रोसेस फ्रेमवर्क (Counting-Process Framework) कहा जाता है।

यहाँ रोजमर्रा की उपमाओं (analogies) का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है:

1. मुख्य विचार: "रिस्क सेट" (Risk Set) और "सरप्राइज" (Surprise)

शोध पत्र एक सरल समीकरण के साथ शुरू होता है: $dN(t) = Y(t)\alpha(t)dt + dM(t)$ ।
इसे भविष्य की भविष्यवाणी करने की एक रेसिपी के रूप में सोचें:

$Y(t)$ (द रिस्क सेट): यह उन लोगों या चीजों की भीड़ है जो वर्तमान में "खेल में" हैं। यदि आप लाइटबल्ब का अध्ययन कर रहे हैं, तो $Y(t)$ उन बल्बों की संख्या है जो अभी भी चालू हैं। यदि कोई बल्ब जल जाता है या आप उसे देखना बंद कर देते हैं, तो वह भीड़ से बाहर हो जाता है।
$\alpha(t)$ (द हैजर्ड): यह इस सटीक क्षण पर विफलता का "तात्कालिक दबाव" (instantaneous pressure) या जोखिम है।
$dN(t)$ (द जंप): यह वास्तव में होने वाली घटना है (एक बल्ब का जल जाना, एक मरीज का दोबारा बीमार होना)।
$dM(t)$ (द मार्टिंगेल/सरप्राइज): यह सबसे महत्वपूर्ण हिस्सा है। यह अनपेक्षित (unexpected) को दर्शाता है। भले ही आप भीड़ का आकार और जोखिम जानते हों, आप यह सटीक भविष्यवाणी नहीं कर सकते कि अगला बल्ब ठीक कब बुझेगा। "मार्टिंगेल" (Martingale) यह कहने का गणितीय तरीका है कि, "हमने जो उम्मीद की थी और जो वास्तव में हुआ, उसके बीच का अंतर केवल रैंडम शोर (random noise) है।"

शोध पत्र का मुख्य दावा यह है कि यदि आप अनुमानित भीड़ को रैंडम सरप्राइज से अलग कर सकते हैं, तो आप लगभग किसी भी प्रकार के टाइम-टू-इवेंट (time-to-event) डेटा का विश्लेषण करने के लिए एक एकीकृत प्रणाली बना सकते हैं।

2. पाँच निर्माण खंड (Five Building Blocks)

विभिन्न परिदृश्यों के लिए सैकड़ों अलग-अलग फॉर्मूले याद करने के बजाय, यह शोध पत्र कहता है कि हर समस्या को पाँच आवर्ती वस्तुओं में तोड़ा जा सकता है:

रिस्क प्रोसेस (Risk Process): कौन अभी खेल में है?
जंप प्रोसेस (Jump Process): घटना वास्तव में कब हुई?
कंपनसेटर (Compensator): नियमों के आधार पर हमसे क्या उम्मीद की गई थी?
एस्टिमेटिंग इक्वेशन (Estimating Equation): उत्तर खोजने के लिए उपयोग किया जाने वाला गणितीय उपकरण।
लिमिटिंग आर्गुमेंट (Limiting Argument): यह प्रमाण कि जैसे-जैसे आपके पास अधिक डेटा आता है, उत्तर बेहतर होता जाता है।

3. यह फ्रेमवर्क क्या कर सकता है

यह शोध पत्र दिखाता है कि कैसे यह एकल फ्रेमवर्क विभिन्न जटिल स्थितियों को संभालता है, और उन सभी को एक ही भाषा में अनुवादित करता है:

स्टैंडर्ड सर्वाइवल (राइट-सेन्सर्ड/Right-Censored): क्लासिक "कैप्लान-मीयर" (Kaplan-Meier) कर्व। धावकों की एक पंक्ति की कल्पना करें। कुछ फिनिश लाइन से पहले बाहर हो जाते हैं (censored)। फ्रेमवर्क फिनिश करने की संभावना की गणना यह देखकर करता है कि हर कदम पर कौन अभी भी दौड़ रहा है।
मल्टीपल स्टेट्स (Multistate): कल्पना कीजिए कि एक मरीज "स्वस्थ" $\to$ "बीमार" $\to$ "मृत" से गुजरता है, या सीधे "स्वस्थ" $\to$ "मृत" हो जाता है। शोध पत्र किसी भी विशिष्ट समय पर किसी विशेष अवस्था में होने की संभावना को ट्रैक करने के लिए एक प्रोडक्ट इंटीग्रल (product integral) (छोटी संभावनाओं की एक श्रृंखला को गुणा करने जैसा) का उपयोग करता है। यह एक फ्लोचार्ट की तरह है जहाँ आप प्रत्येक पथ लेने की संभावनाओं को गुणा करते हैं।
रिकरेंट इवेंट्स (Recurrent Events): क्या होगा यदि एक मरीज बीमार होता है, ठीक होता है, और फिर से बीमार हो जाता है? फ्रेमवर्क हर "जंप" (बीमारी) को तब तक गिनता है जब तक कि मरीज रिस्क सेट में है।
इंटरवल सेन्सिंग (Interval Censoring): कल्पना कीजिए कि आप केवल सोमवार और बुधवार को मरीज के स्वास्थ्य की जांच करते हैं। यदि वह बुधवार को बीमार है लेकिन सोमवार को स्वस्थ था, तो आप जानते हैं कि घटना उनके बीच हुई है, लेकिन ठीक कब, यह नहीं पता। शोध पत्र एक "सेल्फ-कंसिस्टेंसी" एल्गोरिदम (EM एल्गोरिदम जैसा) का उपयोग करता है ताकि वह संभावित समय अंतराल के बीच संभाव्यता द्रव्यमान (probability mass) को पुनर्वितरित कर सके, जब तक कि वह सबसे उपयुक्त फिट न मिल जाए।
कॉज़ल इन्फरेंस (Causal Inference/Instrumental Variables): कभी-कभी, एक उपचार (जैसे दवा) अधिक बीमार मरीजों को दिया जाता है, जिससे ऐसा लग सकता है कि दवा खराब है। इसे ठीक करने के लिए, शोध पत्र "इंस्ट्रूमेंटल वेरिएबल्स" (जैसे कि एक जेनेटिक मार्कर या डॉक्टर की रैंडम पसंद) का उपयोग करता है ताकि दवा के प्रभाव को मरीज के अंतर्निहित स्वास्थ्य से अलग करके वास्तविक कारण प्रभाव को अलग किया जा सके।

4. "क्रॉस-फिटेड" नवाचार (The "Cross-Fitted" Innovation)

इनमें से एक नया योगदान यह है कि सर्वाइवल डेटा के लिए उपयोग किए जाने वाले आधुनिक मशीन लर्निंग मॉडल (जैसे न्यूरल नेटवर्क) को मान्य (validate) करने की विधि।

समस्या: यदि आप एक डेटासेट पर मॉडल को प्रशिक्षित करते हैं और उसी डेटा पर उसका परीक्षण करते हैं, तो यह उत्तरों को रट सकता है (overfitting)।
समाधान: शोध पत्र एक "क्रॉस-फिटेड" दृष्टिकोण प्रस्तावित करता है। आप मॉडल को 90% डेटा पर प्रशिक्षित करते हैं और शेष 10% पर उसका परीक्षण करते हैं।
जादू: शोध पत्र एक नया गणितीय सिद्धांत सिद्ध करता है: यदि आपका मॉडल अच्छा है, तो टेस्ट ग्रुप में "सरप्राइज" (मार्टिंगेल रेजिडुअल्स) रैंडम शोर की तरह दिखना चाहिए। यदि आपका मॉडल खराब है, तो "सरप्राइज" में एक पैटर्न दिखाई देगा। यह एक कठोर तरीका देता है जिससे यह जांचा जा सके कि एक जटिल AI मॉडल वास्तव में इवेंट हिस्ट्री को सीख रहा है या केवल अनुमान लगा रहा है।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र केवल पुराने तरीकों की सूची नहीं देता; यह एक साझा भाषा प्रदान करता है।

गणितज्ञों के लिए: यह "प्रूफ टेम्पलेट्स" देता है। हर नए प्रकार के डेटा के लिए शून्य से नया प्रमेय सिद्ध करने के बजाय, आप अपनी समस्या को इन पाँच बिल्डिंग ब्लॉक्स में डाल सकते हैं और मौजूदा प्रमाणों का उपयोग कर सकते हैं।
डेटा वैज्ञानिकों के लिए: यह जटिल सर्वाइवल विश्लेषण को पुन: प्रयोज्य एल्गोरिदम में बदल देता है। चाहे आप लाइटबल्ब, ऐतिहासिक कार्यालय कार्यकाल, या मरीज के दोबारा बीमार होने का विश्लेषण कर रहे हों, "रिस्क-सेट स्वीप" (एल्गोरिदम 1) वही रहता है।
सभी के लिए: यह क्षेत्र को एकीकृत करता है। चाहे आप दो समूहों की तुलना करने के लिए सरल "लॉग-रैंक टेस्ट" कर रहे हों या मल्टीस्टेट ट्रांजिशन के लिए जटिल "बेयसियन नॉनपैरामीट्रिक" मॉडल का उपयोग कर रहे हों, वे सभी रिस्क सेट और सरप्राइज को प्रबंधित करने के अलग-अलग तरीके हैं।

सारांश

इस शोध पत्र को टाइम-टू-इवेंट डेटा के लिए एक यूनिवर्सल अडैप्टर के रूप में समझें। चाहे आपका डेटा अव्यवस्थित हो, अधूरा हो, इसमें कई अवस्थाएँ शामिल हों, या इसमें कारण संबंधी प्रश्न (causal questions) शामिल हों, लेखक दिखाता है कि आप जटिलता को हटा सकते हैं और इसके मूल तंत्र को देख सकते हैं: जोखिम में कौन है? हमने क्या उम्मीद की थी? वास्तव में क्या हुआ? और क्या अंतर केवल रैंडम शोर था? इन प्रश्नों का लगातार उत्तर देकर, हम इवेंट हिस्ट्री का विश्लेषण करने के किसी भी तरीके को व्युत्पन्न (derive), जांच और तुलना कर सकते हैं।

तकनीकी सारांश: जोखिम सेट से मार्टिंगेल तक: घटना-इतिहास शिक्षण के लिए एक काउंटिंग-प्रोसेस फ्रेमवर्क

समस्या विवरण

सर्वाइवल (survival) और घटना-इतिहास (event-history) डेटा स्वाभाविक रूप से पूर्ण प्रतिक्रिया चर (complete response variables) के बजाय फ़िल्टर्ड अवलोकन होते हैं। किसी भी समय $t$ पर, विश्लेषक संचित इतिहास (जोखिम सेट, कोवेरिएट्स, पूर्व अवस्थाएं) को देखता है, लेकिन केवल तभी घटना के उछाल (event jump) को देखता है जब वह घटित होता है। यह लौकिक विषमता (temporal asymmetry) सेंसर (censored), ट्रंकेटेड (truncated), आवर्ती (recurrent), मल्टीस्टेट (multistate), और कोवेरिएट-निर्भर डेटा के विश्लेषण को जटिल बना देती है। जबकि कई विशिष्ट विधियाँ मौजूद हैं (जैसे, कपलान-कीमर, कॉक्स रिग्रेशन, फाइन-ग्रे), एक एकीकृत ढांचे की आवश्यकता है जो पूर्वानुमानित जोखिम-सेट जानकारी को प्रेक्षित घटना उछालों से अलग कर सके, ताकि घटना-इतिहास डेटा के लिए शास्त्रीय और मशीन-लर्निंग दोनों विधियों के व्युत्पत्ति, जाँच और तुलना की सुविधा मिल सके।

कार्यप्रणाली

यह शोध पत्र काउंटिंग-प्रोसेस नोटेशन और मल्टीप्लिकेटिव-इंटेंसिटी रिप्रेजेंटेशन पर आधारित एक एकीकृत ढांचा स्थापित करता है:
$dN(t) = Y(t)\alpha(t)dt + dM(t)$
जहाँ:

$N(t)$ जंप प्रोसेस (प्रेक्षित घटना गणना) है।
$Y(t)$ प्रेडिक्टेबल रिस्क प्रोसेस (जोखिम में संख्या) है।
$\alpha(t)$ इंटेंसिटी फंक्शन है।
$Y(t)\alpha(t)dt$ कॉम्पेंसेटर इंक्रीमेंट (compensator increment) है।
$dM(t)$ मार्टिंगेल इनोवेशन (martingale innovation) है।

विशिष्ट सर्वाइवल विधियों को सूचीबद्ध करने के बजाय, यह ढांचा प्रत्येक आंशिक रूप से प्रेक्षित शिक्षण समस्या को पाँच आवर्ती वस्तुओं में अनुवादित करता है:

रिस्क प्रोसेस: विषयों का पूर्वानुमानित सेट जो एक घटना के लिए पात्र हैं।
जंप प्रोसेस: प्रेक्षित घटना इंक्रीमेंट्स।
कॉम्पेंसेटर: प्रेडिक्टेबल इंटेंसिटी मॉडल।
एस्टिमेटिंग इक्वेशन: मार्टिंगेल गुणों या लाइकलीहुड (likelihood) से व्युत्पन्न।
लिमिटिंग आर्गुमेंट: एसिम्प्टोटिक औचित्य (जैसे, मार्टिंगेल सेंट्रल लिमिट थ्योरम्स)।

शोध पत्र इस ढांचे को चार डोमेन में व्यवस्थित रूप से लागू करता है:

नॉनपैरामेट्रिक एस्टिमेशन: नेल्सन-नीलेन (संचयी खतरा), कपलान-कीमर (सर्वाइवल), एलन-जोहानसन (मल्टीस्टेट), डैब्रोव्स्का (द्विचर), और टर्नबुल (इंटरवल-सेंसरड) एस्टिमेटर्स को प्रोडक्ट-इंटीग्रल अपडेट या लाइकलीहुड मैक्सिमाइजेशन के रूप में व्युत्पन्न करना।
हाइपोथीसिस टेस्टिंग: लॉग-रैंक और वेटेड टेस्ट को मार्टिंगेल रिस्क-सेट कंट्रास्ट के रूप में तैयार करना, जिसमें स्ट्रैटिफाइड, क्रॉसिंग-हाज़र्ड, और कॉम्पिटिंग-रिस्क परिदृश्य शामिल हैं।
रिग्रेशन मॉडलिंग: कॉक्स-एंडरसन-गिल (मल्टीप्लिकेटिव), एलन (एडिटिव), ट्रांसफॉर्मेशन/AFT, और सेमी-मार्कोव मॉडल को एकीकृत करना। यह कैलेंडर समय और एलैप्स्ड सोjourn (elapsed sojourn) समय के बीच अंतर करके ड्यूरेशन डिपेंडेंस को स्पष्ट रूप से संभालता है।
कॉज़ल इन्फरेंस (कारण अनुमान): सेंसर परिणामों के लिए इंस्ट्रूमेंटल वेरिएबल (IV) विधियों (जैसे, G-एस्टिमेशन, स्ट्रक्चरल कॉक्स मॉडल) को काउंटिंग-प्रोसेस एस्टिमेटिंग इक्वेशंस के साथ जोड़कर अनुकूलित करना।

यह ढांचा आधुनिक मशीन लर्निंग को भी एकीकृत करता है, जिसमें फ्लेक्सिबल लर्नर्स (रैंडम फॉरेस्ट, न्यूरल नेटवर्क) को इस संरचना में मैप किया गया है, विशेष रूप से सेंसर डेटा के लिए क्रॉस-फिटेड वैलिडेशन को संबोधित किया गया है।

मुख्य योगदान

1. कम्प्यूटेशनल एकीकरण

यह शोध पत्र विविध कम्प्यूटेशनल कार्यों को पुन: प्रयोज्य एल्गोरिदम और सिमुलेशन डायग्नोस्टिक्स में परिवर्तित करता है:

रिस्क-सेट स्वीप्स: नेल्सन-नीलेन, कपलान-कीमर, लॉग-रैंक, और कॉक्स स्कोर गणना के लिए एक एकीकृत एल्गोरिदम (एल्गोरिदम 1)।
प्रोडक्ट-इंटीग्रल अपडेट्स: मल्टीस्टेट ट्रांजिशन (एलन-जोहानसन) और सेमी-मार्कोव एलैप्स्ड-टाइम बुककीपिंग के लिए।
इंटरवल लाइकलीहुड्स: इंटरवल-सेंसरड डेटा के लिए टर्नबुल सेल्फ-कंसिस्टेंसी/EM-ICM ब्लूप्रिंट।
क्रॉस-फिटेड वैलिडेशन: सेंसर डेटा के लिए आधुनिक लर्नर्स को लागू करने के लिए एक रैपर (एल्गोरिदम 4), जो प्रेडिक्टेबल रिस्क सेट और फिल्ट्रेशन का सम्मान करता है।

2. सैद्धांतिक योगदान

प्रूफ टेम्पलेट्स: यह शोध पत्र मार्टिंगेल डीकंपोजिशन और फंक्शनल डेल्टा मेथड्स का उपयोग करके एस्टिमेटर्स की कंसिस्टेंसी, एसिम्प्टोटिक नॉर्मलिटी और वेरिएंस एस्टिमेशन के लिए एक मानकीकृत संरचना प्रदान करता है।
नया सैद्धांतिक परिणाम (थ्योरम 27): यह शोध पत्र क्रॉस-फिटेड सेंसर लर्नर्स के लिए एक नया आउट-ऑफ-फोल्ड कॉम्पेंसेटर वैलिडेशन आइडेंटिटी सिद्ध करता है। यह स्थापित करता है कि ट्रेनिंग फोल्ड्स के सशर्त होने पर, वैलिडेशन-फोल्ड रेसिडुअल स्कोर तब तक मार्टिंगेल-सेंटर्ड होते हैं जब तक कि सीखा गया इंटेंसिटी एक वेटेड इंटीग्रेटेड-इंटेंसिटी सेंस में कैलिब्रेटेड हो। यह क्रॉस-फिटिंग को एक फिल्ट्रेशन आवश्यकता के रूप में व्याख्यायित करता है: वैलिडेशन भविष्यवाणियाँ ट्रेनिंग डेटा और पूर्व- $t$ इतिहास पर निर्भर हो सकती हैं, लेकिन भविष्य के जंप्स पर नहीं।

3. एप्लीकेशन मैपिंग

यह ढांचा विविध डोमेन—बायोमेडिकल, रिलायबिलिटी, ऑपरेशनल, इकोनॉमिक, फाइनेंशियल, लिटरेरी, हिस्टोरिकल और कॉज़ल सर्वाइवल उदाहरणों—को एक ही रिस्क-सेट और कॉम्पेंसेटर भाषा पर मैप करता है। यह विभिन्न क्षेत्रों में विधियों को व्युत्पन्न करने और तुलना करने के लिए एक सामान्य गणितीय भाषा प्रदान करता है।

परिणाम और दायरा

यह शोध पत्र कोई नया अनुभवजन्य डेटा प्रस्तुत नहीं करता है, बल्कि एक सैद्धांतिक और एल्गोरिथमिक संश्लेषण है। इसके "परिणाम" निम्नलिखित का सफल एकीकरण हैं:

एस्टिमेटर्स: सरल राइट-सेंसरड कर्व्स से लेकर जटिल द्विचरीय इंटरवल-सेंसरड सतहों और मल्टीस्टेट ट्रांजिशन प्रोबेबिलिटीज तक।
टेस्ट्स: मानक लॉग-रैंक टेस्ट से लेकर एडेप्टिव, वेटेड, और कॉम्पिटिंग-रिस्क तुलनाओं तक।
मॉडेल्स: पैरामेट्रिक (वेबुल, गोम्पर्ट्ज़) से लेकर सेमी-पैरामेट्रिक (कॉक्स, एलन) और पूर्णतः नॉनपैरामेट्रिक (बेरान, टर्नबुल) मॉडल्स तक।
कॉज़ल मेथड्स: स्ट्रक्चरल कॉक्स और एडिटिव-रिस्क IV मॉडल्स जो सेंसर परिणामों में एंडोजेनिटी (endogeneity) को संभालते हैं।

यह शोध पत्र प्रदर्शित करता है कि काउंटिंग-प्रोसेस डीकंपोजिशन $dN = Y\alpha dt + dM$ इन सभी विधियों के लिए "सामान्य विश्लेषणात्मक आधार" के रूप में कार्य करता है। यह दिखाता है कि नेल्सन-नीलेन एस्टिमेटर संचयी खतरा अनुमान के लिए प्रोटोटाइप है, कपलान-कीमर एस्टिमेटर इसके प्रोडक्ट-इंटीग्रल ट्रांसफॉर्मेशन का एक रूप है, और एलन-जोहानसन एस्टिमेटर उसी तर्क का मल्टीस्टेट विस्तार है।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह सेंसर, रिकरेंट और मल्टीस्टेट इवेंट-हिस्ट्री डेटा के लिए शास्त्रीय और मशीन-लर्निंग विधियों को व्युत्पन्न करने, जाँचने और तुलना करने के लिए एक साझा गणितीय भाषा प्रदान करता है।

शास्त्रीय विश्लेषण के लिए: यह प्रूफ टेम्पलेट्स प्रदान करता है जो आवर्ती मार्टिंगेल, लाइकलीहुड और प्रोडक्ट-इंटीग्रल तर्कों को स्पष्ट करते हैं, जिससे नए एस्टिमेटर्स का व्युत्पत्ति अधिक व्यवस्थित हो जाता है।
आधुनिक लर्निंग के लिए: यह फ्लेक्सिबल मशीन लर्निंग मॉडल्स (जैसे, न्यूरल नेटवर्क, रैंडम फॉरेस्ट) को सेंसर डेटा इन्फरेंस की सख्त आवश्यकताओं के साथ एकीकृत करने को संबोधित करता है। विशेष रूप से, यह क्रॉस-फिटिंग के उपयोग के लिए सैद्धांतिक औचित्य (थ्योरम 27) प्रदान करता है, जिससे यह सुनिश्चित होता है कि वैलिडेशन रेसिडुअल्स केवल तभी मार्टिंगेल के रूप में व्यवहार करते हैं जब मॉडल उचित रूप से कैलिब्रेटेड हो।
कॉज़ल इन्फरेंस के लिए: यह इंस्ट्रूमेंटल वेरिएबल थ्योरी और सर्वाइवल एनालिसिस के बीच के अंतर को पाटता है, यह दिखाते हुए कि कैसे सेंसर डेटा के फिल्ट्रेशन का सम्मान करने वाले वैध G-एस्टिमेटर्स और स्ट्रक्चरल मॉडल्स का निर्माण किया जा सकता है।

लेखक इस कार्य को केवल नामित विधियों की सूची के रूप में नहीं, बल्कि एक संगठित ढांचे के रूप में प्रस्तुत करते हैं जहाँ "जोखिम सेट, सेंसरिंग तंत्र और फिल्ट्रेशन प्रतिबंध" किसी भी लर्निंग समस्या के लिए स्पष्ट किए गए हैं। इसका अंतिम लक्ष्य यह सुनिश्चित करना है कि विधियों का हस्तांतरण (जैसे, क्लिनिकल ट्रायल्स से रिलायबिलिटी इंजीनियरिंग तक) सुगम हो सके क्योंकि वे एक ही अंतर्निहित स्टोकेस्टिक संरचना साझा करते हैं।