📊 statistics

A parameterization of anisotropic Gaussian fields with penalized complexity priors

यह शोध पत्र अनिसोट्रोपिक (anisotropic) गॉसियन रैंडम फील्ड्स के लिए एक सुचारू, व्युत्क्रमणीय पैरामीट्राइजेशन प्रस्तुत करता है और सहसंबंध श्रेणियों (correlation ranges) एवं अनिसोट्रॉपी में अत्यधिक जटिलता को दंडित करके अर्थपूर्ण कोवेरियेंस संरचनाओं की ओर बेयसियन अनुमान (Bayesian inference) को प्रभावी ढंग से निर्देशित करने के लिए कमजोर रूप से सूचनात्मक पेनलाइज्ड कॉम्प्लेक्सिटी प्रायर्स (penalized complexity priors) का निर्माण करता है।

मूल लेखक: Liam Llamazares-Elias, Jonas Latz, Finn Lindgren

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Liam Llamazares-Elias, Jonas Latz, Finn Lindgren

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 परिदृश्य में वर्षा के मानचित्र को चित्रित करने का प्रयास कर रहे हैं। सांख्यिकी की दुनिया में, इसे अक्सर "गौसियन रैंडम फील्ड" (Gaussian Random Field) का उपयोग करके किया जाता है, जो मूल रूप से एक गणितीय तरीका है यह कहने का कि, "यदि यहाँ बारिश हो रही है, तो इसकी संभावना है कि वहाँ भी बारिश होगी, लेकिन मात्रा भिन्न होती है।"

लंबे समय से, सांख्यिकीविदों ने एक सरल नियम का उपयोग किया है: आइसोट्रॉपी (Isotropy)। इसे एक शांत, गोलाकार तालाब में पत्थर फेंकने जैसा समझें। लहरें हर दिशा में समान रूप से फैलती हैं। लहरों के बीच की दूरी उत्तर, दक्षिण, पूर्व या पश्चिम में देखने पर एक समान रहती है।

हालाँकि, प्रकृति शायद ही कभी इतनी सटीक होती है। हवा बादलों को पश्चिम से उड़ाकर ला सकती है, जिससे बारिश के पैटर्न पूर्ण वृत्तों के बजाय लंबे, अंडाकार आकारों में खिंच सकते हैं। इसे एनिसोट्रॉपी (Anisotropy) (दिशात्मक निर्भरता) कहा जाता है। इन "अंडाकार" वर्षा पैटर्न को मॉडल करने के लिए पिछले गणितीय उपकरण बोझिल, भ्रमित करने वाले थे और अक्सर एक ही डेटा के लिए कई अलग-अलग उत्तरों की ओर ले जाते थे।

यह शोधपत्र इन दिशात्मक पैटर्न को संभालने के एक नए, अधिक सुचारू तरीके और गणित को बेकाबू होने से रोकने के लिए "नियमों के समूह" (priors) को पेश करता है।

उनके कार्य का विवरण इन रोजमर्रा के उपमाओं (analogies) का उपयोग करके यहाँ दिया गया है:

1. नया मानचित्र उपकरण: एक "खिंचने वाला" पैरामीटर (A "Stretchable" Parameter)

लेखकों ने उन अंडाकार आकारों का वर्णन करने का एक नया तरीका बनाया।

पुराना तरीका: कल्पना करें कि आप संख्याओं की एक सूची का उपयोग करके एक खिंचे हुए रबर बैंड का वर्णन करने का प्रयास कर रहे हैं, जिन्हें एक ही बात कहने के लिए कई अलग-अलग तरीकों से लिखा जा सकता है। यह दिशा को "उत्तर" और "दक्षिण" दोनों के रूप में एक साथ वर्णित करने जैसा है; यह भ्रमित करने वाला होता है और त्रुटियों की ओर ले जाता है।
नया तरीका: उन्होंने एक "सुचारू, प्रतिवर्ती" (smooth, invertible) पैरामीट्रिकरण का आविष्कार किया। इसे बारिश के आकार के लिए एक "यूनिवर्सल रिमोट कंट्रोल" के रूप में समझें।
- एक बटन अंडाकार की लंबाई (बारिश कितनी दूर तक खिंचती है) को नियंत्रित करता है।
- दूसरा बटन दिशा (अंडाकार किस ओर इशारा करता है) को नियंत्रित करता है।
- महत्वपूर्ण रूप से, इस रिमोट में कोई "डेड ज़ोन" या भ्रमित करने वाले ओवरलैप नहीं हैं। यदि आप डायल घुमाते हैं, तो आकार सुचारू रूप से और अनुमानित रूप से बदलता है। प्रत्येक संभावित आकार के लिए केवल एक ही सेटिंग है, जिससे गणित बहुत अधिक विश्वसनीय हो जाता है।

2. "पेनलाइज्ड कॉम्प्लेक्सिटी" (PC) प्रायर: "ऑकैम्स रेज़र" का नियम

सांख्यिकी में, जब आपके पास बहुत कम डेटा होता है, तो "ओवरफिटिंग" (overfitting) होना आसान है—जिसका अर्थ है कि आप एक ऐसा मॉडल बना लेते हैं जो बहुत जटिल है और वास्तविक पैटर्न के बजाय शोर (noise) को फिट करने लगता है। यह कुछ बिखरे हुए बिंदुओं के माध्यम से एक पूर्ण रेखा खींचने के लिए रेखा को बहुत अधिक लहराने जैसा है।

लेखक पेनलाइज्ड कॉम्प्लेक्सिटी (PC) प्रायर्स का उपयोग करते हैं।

उपमा: कल्पना करें कि आप बहुत कम सबूतों के साथ एक अपराध को सुलझाने की कोशिश कर रहे हैं। आपके पास एक विकल्प है:
1. मान लें कि संदिग्ध एक सामान्य व्यक्ति है जो पास में ही रहता है (सरल)।
2. मान लें कि संदिग्ध एक जासूस है जिसके पास जेटपैक है और वह दूसरे देश से आया है (जटिल)।
नियम: PC प्रायर कहता है, "जब तक सबूत हमें जासूस पर विश्वास करने के लिए मजबूर न करें, हमें एक सामान्य व्यक्ति को ही मानना चाहिए।"
यह कैसे काम करता है: गणित स्वचालित रूप से जटिल मॉडलों को "दंडित" (penalize) करता है। यह मॉडल को सबसे सरल संस्करण (एक पूर्ण वृत्त, या कोई हवा नहीं) की ओर धकेलता है, जब तक कि डेटा इतना मजबूत न हो कि वह जटिल, खिंचे हुए आकार को आवश्यक साबित कर दे। यह मॉडल को ऐसे पैटर्न बनाने से रोकता है जो वास्तव में वहां मौजूद नहीं हैं।

3. सिमुलेशन टेस्ट: "आंखों पर पट्टी बांधे हुए तीरंदाज"

यह सिद्ध करने के लिए कि उनका नया तरीका काम करता है, उन्होंने एक बड़ा सिमुलेशन अध्ययन चलाया।

सेटअप: उन्होंने लक्ष्य पर तीर चलाने वाले तीरंदाजों की तरह व्यवहार किया। उन्होंने "वास्तविक" वर्षा पैटर्न (लक्ष्य) बनाए और फिर विभिन्न सांख्यिकीय नियमों (तीरंदाजों) का उपयोग करके उनका अनुमान लगाने का प्रयास किया।
प्रतिद्वंद्वी: उन्होंने अपने नए "PC प्रायर" तरीके की तुलना पुराने, "नॉन-इन्फॉर्मेटिव" (गैर-सूचनात्मक) तरीकों (जो बिना किसी नियम के अनुमान लगाने जैसा है) से की।
परिणाम: जब डेटा कम था (कम तीर चलाए गए), तो PC प्रायर वाले तीरंदाजों ने बुल्सआई (bullseye) को बहुत अधिक बार हिट किया। पुराने तरीके या तो बुरी तरह चूक जाते थे या अत्यधिक जटिल, लहराते हुए आकार बना देते थे जो वास्तविकता से मेल नहीं खाते थे। PC प्रायर तब तक केंद्रित और सरल रहा जब तक कि डेटा ने इसके विपरीत प्रमाण नहीं दिए।

4. वास्तविक दुनिया का अनुप्रयोग: नॉर्वे में वर्षा

अंत में, उन्होंने इसे वास्तविक डेटा पर परखा: दक्षिणी नॉर्वे के वर्षा रिकॉर्ड।

निष्कर्ष: उनका एनिसोट्रोपिक मॉडल (जो अंडाकार वर्षा की अनुमति देता है), साधारण "वृत्ताकार" मॉडल की तुलना में बेहतर प्रदर्शन करता है, विशेष रूप से तब जब डेटा बहुत अधिक नहीं था।
अंतर्दृष्टि: उन्होंने पाया कि इस क्षेत्र में, वर्षा वास्तव में "खिंची हुई" है। यह पूर्व-पश्चिम की तुलना में उत्तर-दक्षिण दिशा में अधिक सह-संबंधित (correlated) है। PC प्रायर ने उन्हें डेटा के शोर से भ्रमित हुए बिना इस विशिष्ट दिशा को खोजने में मदद की।
चेतावनी: जब उन्होंने बहुत अधिक डेटा जोड़ा (सेंसरों के एक विशाल नेटवर्क का अनुकरण किया), तो सरल मॉडल और जटिल मॉडल के बीच का अंतर समाप्त हो गया। यह सुझाव देता है कि यदि आपके पास पर्याप्त डेटा है, तो आपको फैंसी नियमों की उतनी आवश्यकता नहीं है, लेकिन यदि आपके पास सीमित डेटा है, तो PC प्रायर एक जीवन रक्षक है।

सारांश

यह शोधपत्र सांख्यिकीविदों को दिशात्मक मानचित्र (जैसे हवा या बारिश) बनाने के लिए एक बेहतर रिमोट कंट्रोल और एक स्मार्ट नियम पुस्तिका (PC priors) देता है जो कहता है, "इसे सरल रखें जब तक कि डेटा चिल्लाकर कुछ और न कहे।" यह सुनिश्चित करता है कि जब हम सीमित जानकारी के साथ स्थानिक घटनाओं (spatial phenomena) की भविष्यवाणी करने का प्रयास करते हैं, तो हमें भ्रमित और अत्यधिक जटिल अनुमानों के बजाय विश्वसनीय और यथार्थवादी उत्तर मिलते हैं।

यहाँ Llamazares-Elias, Latz, और Lindgren के शोध पत्र "A parameterization of anisotropic Gaussian fields with penalized complexity priors" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गौसियन रैंडम फील्ड्स (GFs) स्थानिक मॉडलिंग (spatial modeling) में मौलिक हैं, जिन्हें अक्सर गाऊसियन मार्कोव रैंडम फील्ड्स (GMRFs) के माध्यम से गणनात्मक रूप से कुशल अनुमान सक्षम करने के लिए स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशंस (SPDEs) के समाधान के रूप में दर्शाया जाता है। जबकि आइसोट्रोपिक मॉडल (जहाँ सहसंबंध केवल दूरी पर निर्भर करता है) सामान्य हैं, कई वास्तविक दुनिया की घटनाएँ एनिसोट्रॉपी (दिशा-निर्भर सहसंबंध) प्रदर्शित करती हैं।

यह शोध पत्र मौजूदा एनिसोट्रोपिक मॉडलिंग दृष्टिकोणों में दो महत्वपूर्ण चुनौतियों की पहचान करता है:

गैर-पहचान क्षमता (Non-identifiability): पिछले पैरामीट्रिकरण (जैसे कि Higdon et al., Paciorek & Schervish, Fughestad et al. द्वारा) अक्सर गैर-पहचान क्षमता से ग्रस्त होते हैं। कई पैरामीटर संयोजन एक ही कोवेरियेंस मैट्रिक्स उत्पन्न करते हैं, जिससे मल्टी-मोडल लाइकलीहुड (multi-modal likelihoods) उत्पन्न होती है और पैरामीटर्स की निरंतर रिकवरी को रोकती है, विशेष रूप से जब स्थानिक रूप से परिवर्तनशील मॉडलों तक विस्तार किया जाता है।
प्रायर संवेदनशीलता (Prior Sensitivity): इन-फिल एसिम्प्टोटिक्स (in-fill asymptotics) के तहत, लाइकलीहुड को कोवेरियंस संरचना के बारे में सीमित जानकारी मिलती है। फलस्वरूप, प्रायर वितरण का चुनाव पोस्टीरियर (posterior) को महत्वपूर्ण रूप से प्रभावित करता है। एनिसोट्रोपिक पैरामीटर्स के लिए मॉडल जटिलता (overfitting) को प्रभावी ढंग से दंडित करने वाले सिद्धांतों पर आधारित, कमजोर सूचनात्मक (weakly informative) प्रायरों का अभाव है।

2. कार्यप्रणाली (Methodology)

A. एनिसोट्रॉपी का पहचान योग्य पैरामीट्रिकरण (Identifiable Parameterization of Anisotropy)

लेखक SPDE में एनिसोट्रॉपी मैट्रिक्स $H$ के लिए एक नया, सुचारू (smooth) और व्युत्क्रमणीय (invertible) पैरामीट्रिकरण प्रस्तावित करते हैं:
$(\kappa^2 - \nabla \cdot H \nabla) \frac{u}{\sigma_u} = \sqrt{4\pi}\kappa \dot{W}$
जहाँ $H$ एक सिमेट्रिक पॉजिटिव-डेफिनिट मैट्रिक्स है जिसका डिटरमिनेंट 1 है।

दृष्टिकोण: $H$ को सीधे पैरामीटराइज करने या कोण-आधारित वेक्टर्स का उपयोग करने के बजाय (जो साइन एम्बिग्युटीटी/चिह्न अस्पष्टता से ग्रस्त हैं, जैसे कि $v$ और $-v$ समान $H$ उत्पन्न करते हैं), लेखक $H$ के आइजनसिस्टम (eigensystem) का उपयोग करते हैं।
"हाफ-एंगल" (Half-Angle) रूपांतरण: वे एक पैरामीटर वेक्टर $v \in \mathbb{R}^2$ को परिभाषित करते हैं ताकि $H$ का आइजनवेक्टर $v$ के "हाफ-एंगल" के अनुरूप हो। विशेष रूप से, यदि $v = (v_1, v_2)$ , तो आइजनवेक्टर दिशा $v$ के कॉम्प्लेक्स नंबर प्रतिनिधित्व के आधे हिस्से से प्राप्त की जाती है।
परिणाम: यह मैपिंग इनजेक्टिव (injective) (एक-से-एक) और सुचारू है। यह सुनिश्चित करता है कि पैरामीटर स्पेस सभी वैध एनिसोट्रॉपी मैट्रिसेस को बिना किसी रेडंडेंसी के कवर करता है, जिससे पिछले कार्यों में पाई जाने वाली मल्टी-मोडैलिटी की समस्या हल हो जाती है। पैरामीटर्स $(\kappa, v, \sigma_u)$ के स्पष्ट ज्यामितीय अर्थ हैं: $\kappa$ लंबाई के पैमाने (length scale) को नियंत्रित करता है, $\sigma_u$ मार्जिनल वेरिएंस को, और $v$ एनिसोट्रॉपी की दिशा और परिमाण को नियंत्रित करता है।

B. पेनलाइज्ड कॉम्प्लेक्सिटी (PC) प्रायर

लेखक $(\kappa, v)$ पैरामीटर्स के लिए PC प्रायर का निर्माण करते हैं। PC प्रायर को एक सरल बेस मॉडल के सापेक्ष मॉडल की जटिलता को दंडित करने के लिए डिज़ाइन किया गया है।

बेस मॉडल ( $M_0$ ): वह सीमा जहाँ क्षेत्र अनकोरिलेटेड व्हाइट नॉइज़ (या सीमा परिभाषा के आधार पर एक स्थिर क्षेत्र) बन जाता है, जो $\kappa \to 0$ और $v \to 0$ के अनुरूप है।
दूरी मीट्रिक (Distance Metric): अलग-अलग स्पेक्ट्रल डेंसिटी वाले गौसियन फील्ड्स के लिए मानक कुलबैक-लीब्लर (KL) डाइवर्जेंस अनंत होता है। लेखक जटिल मॉडल और बेस मॉडल के बीच की दूरी $d(\kappa, v)$ को मापने के लिए पुन: स्केल किए गए स्पेक्ट्रल डेंसिटी के अंतर पर आधारित एक सोबोलेव सेमीनॉर्म (Sobolev seminorm) को परिभाषित करते हैं।
$D^2(M_A, M_B) = \left( \int_{\mathbb{R}^2} \|2\pi\xi\|^4 \left( \frac{S_A(\xi)}{\sigma_A^2} - \frac{S_B(\xi)}{\sigma_B^2} \right)^2 d\xi \right)^{1/2}$
प्रायर निर्माण: प्रायर इस प्रकार बनाया गया है कि दूरी $d(\kappa, v)$ $d (κ, v)$ एक एक्सपोनेंशियल डिस्ट्रीब्यूशन का पालन करती है। इसके परिणामस्वरूप एक संयुक्त प्रायर प्राप्त होता है जो:
1. सहसंबंध रेंज ( $\rho \propto 1/\kappa$ ) को अनंत (आइसोट्रोपिक, अनकोरिलेटेड सीमा) की ओर धकेलता है।
2. एनिसोट्रॉपी परिमाण ( $\|v\|$ ) को शून्य (आइसोट्रॉपी) की ओर धकेलता है।
3. यह हाइपरपैरामीटर्स द्वारा नियंत्रित एक कमजोर सूचनात्मक प्रायर है, जिन्हें वांछित क्वांटाइल्स (जैसे, "इस बात की केवल 5% संभावना है कि क्षेत्र एक दिशा में 10 गुना अधिक सहसंबंधित है") के आधार पर सेट किया जा सकता है।
सैंपलिंग: लेखक इस प्रायर से कुशलतापूर्वक नमूने (samples) उत्पन्न करने के लिए एक रूपांतरण प्राप्त करते हैं, जिसमें मानक गौसियन रैंडम वेरिएबल्स का उपयोग किया जाता है।

3. मुख्य योगदान (Key Contributions)

पहचान योग्य पैरामीट्रिकरण: 2D एनिसोट्रोपिक SPDEs के लिए एक गणितीय रूप से कठोर, सुचारू और व्युत्क्रमणीय पैरामीट्रिकरण जो साइन एम्बिग्युटी को समाप्त करता है और अद्वितीय पैरामीटर रिकवरी सुनिश्चित करता है।
PC प्रायर फॉर्मूलेशन: सोबोलेव-आधारित डिस्टेंस मीट्रिक का उपयोग करके एनिसोट्रोपिक पैरामीटर्स के लिए PC प्रायर का निर्माण, जो जटिलता को दंडित करने और ओवरफिटिंग से बचने का एक सिद्धांतपूर्ण तरीका प्रदान करता है।
गणनात्मक दक्षता: यह पैरामीट्रिकरण मौजूदा SPDE/GMRF फ्रेमवर्क (जैसे, INLA) के साथ कुशल सैंपलिंग और एकीकरण की अनुमति देता है।
वैधीकरण (Validation): एक व्यापक सिमुलेशन अध्ययन और एक वास्तविक दुनिया का अनुप्रयोग जो गैर-सूचनात्मक विकल्पों की तुलना में इन प्रायरों की श्रेष्ठता को प्रदर्शित करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन

लेखकों ने प्रस्तावित PC प्रायर की तुलना एक्सपोनेंशियल-गौसियन (EG), यूनिफॉर्म और बीटा प्रायर से की।

प्रदर्शन: PC और EG प्रायर (जो संरचनात्मक रूप से समान हैं) यूनिफॉर्म और बीटा प्रायर की तुलना में काफी बेहतर रहे।
जटिलता दंड (Complexity Penalization): PC प्रायर ने डेटा कम होने पर पोस्टीरियर को सरल मॉडलों तक प्रभावी ढंग से सीमित किया, जिसके परिणामस्वरूप संकीर्ण क्रेडिबल इंटरवल और कम मॉडल जटिलता (बेस मॉडल से दूरी) प्राप्त हुई।
कैलिब्रेशन: PC प्रायर ने अच्छी तरह से कैलिब्रेटेड पोस्टीरियर वितरण प्रदान किए, जबकि गैर-सूचनात्मक प्रायर ने कम-डेटा शासन (low-data regimes) में ओवरफिटिंग और खराब कवरेज की ओर ले जाते हैं।

वास्तविक दुनिया का अनुप्रयोग: नॉर्वेजियन प्रेसिपिटेशन (Precipitation)

मॉडल को दक्षिणी नॉर्वे ( $N=233$ ) के वार्षिक वर्षा डेटा पर लागू किया गया।

एनिसोट्रॉपी का पता लगाना: एनिसोट्रोपिक मॉडल ने महत्वपूर्ण एनिसोट्रॉपी का पता लगाया, यह अनुमान लगाते हुए कि वर्षा पूर्व-पश्चिम की तुलना में उत्तर-दक्षिण दिशा में लगभग 1.64 गुना अधिक सहसंबंधित है।
भविष्यवाणी प्रदर्शन:
- कम-डेटा शासन (low-data regimes) (सब-सैम्पल्ड डेटा) में, PC प्रायर वाले एनिसोट्रोपिक मॉडल ने RMSE, CRPS और DSS स्कोर के मामले में आइसोट्रोपिक मॉडल की तुलना में बेहतर प्रदर्शन किया।
- उच्च-डेटा शासन (high-data regimes) में, प्रदर्शन का अंतर कम हो गया, और आइसोट्रोपिक मॉडल प्रतिस्पर्धी हो गया, जो बताता है कि पर्याप्त डेटा के साथ, लाइकलीहुड प्रायर पर हावी हो जाती है।
स्थानिक भिन्नता: परिणामों ने संकेत दिया कि एक नॉन-स्टेशनरी मॉडल और भी बेहतर हो सकता है, क्योंकि एनिसोट्रॉपी पूरे क्षेत्र में बदलती हुई प्रतीत हुई (जैसे, तट के पास बनाम अंतर्देशीय अलग व्यवहार)।

5. महत्व (Significance)

यह कार्य एक सुदृढ़ ढांचा प्रदान करके स्थानिक गौसियन मॉडलिंग में एक महत्वपूर्ण अंतर को पाटता है जो एनिसोट्रॉपी को मॉडल करने के लिए गणनात्मक रूप से व्यवहार्य और सांख्यिकीय रूप से सिद्धांतपूर्ण है।

पहचान क्षमता को हल करना: यह एनिसोट्रोपिक SPDEs में लंबे समय से चली आ रही पैरामीटर गैर-पहचान क्षमता के मुद्दों को हल करता है, जिससे ये मॉडल बेयसियन अनुमान के लिए अधिक विश्वसनीय बनते हैं।
नियमितीकरण (Regularization): यह जटिल एनिसोट्रोपिक मॉडलों को नियमित करने के लिए एक कठोर विधि (PC प्रायर) पेश करता है, जो डेटा सीमित होने पर ओवरफिटिंग को रोकता है—जो स्थानिक अनुप्रयोगों में एक सामान्य परिदृश्य है।
भविष्य की दिशाएं: लेखक नोट करते हैं कि जबकि वर्तमान कार्य स्थिर (stationary) क्षेत्रों पर केंद्रित है, इस पैरामीट्रिकरण को नॉन-स्टेशनरी सेटिंग्स (जहाँ पैरामीटर स्थान में बदलते हैं) और उच्च आयामों तक विस्तारित किया जा सकता है, हालांकि "हाफ-एंगल" निर्माण के लिए $d > 2$ के लिए सामान्यीकरण की आवश्यकता है। उन्होंने यह भी पहचान की कि हेवी-टेल्ड फील्ड्स (Confluent Hypergeometric class) के लिए विस्तार एक आशाजनक भविष्य का मार्ग है।

निष्कर्षतः, यह शोध पत्र स्थानिक गौसियन मॉडलिंग में सूचनात्मक, जटिलता-दंडित करने वाले प्रायर के उपयोग की वकालत करता है, यह प्रदर्शित करते हुए कि ऐसे दृष्टिकोण अधिक विश्वसनीय निष्कर्ष और बेहतर भविष्य कहनेवाला प्रदर्शन (predictive performance) प्रदान करते हैं, विशेष रूप से डेटा-दुर्लभ वातावरणों में।