तकनीकी सारांश: नियमितीकृत e-प्रक्रियाएँ (Regularized e-Processes): ज्ञान-आधारित दक्षता लाभों के साथ एनीटाइम वैध अनुमान

1. समस्या विवरण

शास्त्रीय सांख्यिकीय विधियाँ आमतौर पर इस धारणा पर निर्भर करती हैं कि नमूना आकार (sample sizes) पहले से निर्धारित होता है। हालाँकि, कई व्यावहारिक अनुप्रयोगों में, डेटा संग्रह गतिशील होता है, जहाँ रुकने के नियम (stopping rules) स्वयं डेटा द्वारा निर्धारित किए जाते हैं (जैसे, अनुक्रमिक निगरानी)। ऐसे "एनीटाइम" (anytime) परिदृश्यों में निश्चित-नमूना-आकार वाली विधियों को लागू करने से सैद्धांतिक गारंटी से समझौता होता है और विश्वसनीयता संबंधी मुद्दे तथा पुनरुत्पादन संकट (replication crisis) उत्पन्न होते हैं।

जबकि e-प्रक्रियाएँ एक समाधान के रूप में उभरी हैं, जो विले असमानता (Ville inequality) के माध्यम से "एनीटाइम वैध" अनुमान (रुकने के नियम से स्वतंत्र विश्वसनीयता) प्रदान करती हैं, वे एक सीमा का सामना करती हैं: उनकी विकास दर सीमित होती है। यदि एक e-प्रक्रिया एल्गोरिथम समायोजनों के माध्यम से तेजी से नहीं बढ़ सकती है, तो दक्षता स्थिर हो जाती है (वह गति जिससे गलत परिकल्पनाओं को खारिज किया जाता है)।

इसके अतिरिक्त, एनीटाइम वैध अनुमान के लिए मानक विधियाँ अक्सर "ऑफ-द-शेल्फ" होती हैं और $\Theta$ के संबंध में शोधकर्ता के आंशिक पूर्व ज्ञान की अनदेखी करती हैं। पारंपरिक बेयसियन दृष्टिकोणों के लिए सटीक पूर्व वितरण (prior distributions) की आवश्यकता होती है, जो अपूर्ण जानकारी के साथ न्यायसंगत नहीं हो सकता है। इसके विपरीत, ऐसे ज्ञान की अनदेखी करना अक्षमता की ओर ले जाता है। यह लेख अपूर्ण, गुणात्मक पूर्व ज्ञान को एनीटाइम वैध अनुमान में शामिल करने की चुनौती को संबोधित करता है ताकि विश्वसनीयता से समझौता किए बिना दक्षता लाभ प्राप्त किया जा सके।

2. कार्यप्रणाली

प्रस्तावित ढांचा इप्रिसाइज प्रोबेबिलिटी (विशेष रूप से संभावना सिद्धांत/possibility theory) को एक नियमितीकरण तंत्र के माध्यम से e-प्रक्रियाओं के साथ एकीकृत करता है।

2.1. इप्रिसाइज प्रोबेबिलिस्टिक रेगुलराइजेशन (Imprecise Probabilistic Regularization)

शोधकर्ता के पूर्व ज्ञान को एक सटीक प्रायिकता वितरण के रूप में नहीं, बल्कि इप्रिसाइज प्रोबेबिलिटी के रूप में एनकोड किया जाता है, जिसे एक क्रेडल सेट $\mathcal{Q}$ (संगत प्रायिकता मापों का एक संग्रह) द्वारा दर्शाया जाता है। इसका एक विशेष मामला संभावना सिद्धांत (possibility theory) है, जहाँ अनिश्चितता को एक कंटूर फंक्शन $q(\theta) \in [0, 1]$ द्वारा परिमाणित किया जाता है।

• रेगुलराइज़र ($\rho$): एक फलन \rho: \mathcal{ \mathcal{T}} \to [0, \infty)$को पूर्व ज्ञान के आधार पर एक परिकल्पना$\Theta = \theta$के विरुद्ध साक्ष्य के भार को दर्शाने के लिए परिभाषित किया गया है। वैध होने के लिए,$\rho$ को पूर्व के सापेक्ष एक सीमा शर्त (boundedness condition) को संतुष्ट करना चाहिए: क्रेडल सेट के तहत इसका अपेक्षित ऊपरी मान $\leq 1$ ($\overline{\mathbb{E}}_{\mathcal{Q}}[\rho] \leq 1$) होना चाहिए।
• निर्माण: संभावना पूर्व (possibility priors) के लिए कंटूर $q$ के साथ, एक रेगुलराइज़र कंटूर के व्युत्क्रम को कैलिब्रेट करके बनाया जाता है: $\rho(\theta) = \{ \gamma \circ q(\theta) \}^{-1}$, जहाँ $\gamma$ एक "कैलिब्रेशन फंक्शन" है जो यह सुनिश्चित करता है कि प्रत्याशा सीमा (expectation bound) बनी रहे। यह $\rho(\theta)$ को उन मानों के लिए बड़ा (e-प्रक्रिया को बढ़ावा देने के लिए) बनाने की अनुमति देता है जिन्हें पूर्व द्वारा अकल्पनीय माना गया है।

2.2. नियमितीकृत e-प्रक्रिया (The Regularized e-Process)

मुख्य नवाचार एक मानक डेटा-संचालित e-प्रक्रिया ($e_\theta$) को रेगुलराइज़र के साथ गुणा करके एक नियमितीकृत e-प्रक्रिया ($e_{\text{reg}}$) को परिभाषित करना है:
$$e_{\text{reg}}(z_n, \theta) = \rho(\theta) \times e_\theta(z_n)$$
यह गुणन क्रिया e-प्रक्रिया को उन परिकल्पनाओं के लिए बढ़ावा देता है जो पूर्व ज्ञान के साथ असंगत हैं, जो सैद्धांतिक रूप से गलत परिकल्पनाओं को तेजी से खारिज करने में सक्षम बनाता है (दक्षता लाभ)।

2.3. सामान्यीकृत एनीटाइम वैधता (Generalized Anytime Validity)

एक महत्वपूर्ण तकनीकी चुनौती यह है कि e-प्रक्रिया में हेरफेर करना आमतौर पर उसकी एनीटाइम वैधता को नष्ट कर देता है। लेख इस समस्या को वैधता मानदंड को ज्ञान-निर्भर (knowledge-dependent) पुनर्गठित करके हल करता है।

• सभी संभावित डेटा-जनरेटिंग वितरणों के विरुद्ध वैधता की मांग करने के बजाय, ढांचा प्रत्येक संयुक्त वितरण (joint distribution) के विरुद्ध वैधता की मांग करता है जो सांख्यिकीय मॉडल और शोधकर्ता के क्रेडल सेट $\mathcal{Q}$ दोनों के साथ संगत है।
• इसे एक प्रेरित संयुक्त ऊपरी प्रायिकता $\overline{\mathbb{P}}$ के माध्यम से औपचारिक रूप दिया गया है, जिसे $\mathcal{Q}$ में सभी पूर्वों और उनके संगत पैरामीटर स्पेस पर उनके प्रोजेक्शन के सुप्रीमम (supremum) को लेकर बनाया गया है।

3. मुख्य योगदान और सैद्धांतिक परिणाम

3.1. सामान्यीकृत विले असमानता (Generalized Ville Inequality)

लेख एक नियमितीकृत e-प्रक्रिया के लिए एक सामान्यीकृत विले असमानता स्थापित करता है।

• प्रमेय 1: यदि $\rho$ $\mathcal{Q}$ के सापेक्ष एक वैध रेगुलराइज़र है, तो किसी भी स्टॉपिंग टाइम $N$ के लिए:
  $$\overline{\mathbb{P}}\left( e_{\text{reg}}(Z_N, f(\Omega)) > \alpha^{-1} \right) \leq \alpha$$
  यह सुनिश्चित करता है कि टाइप I त्रुटि नियंत्रण बना रहता है, जहाँ त्रुटि की प्रायिकता शोधकर्ता के पूर्व ज्ञान ( $\overline{\mathbb{P}}$ के माध्यम से) के सापेक्ष मापी जाती है, न कि एक वर्स्ट-केस यूनिफॉर्म बाउंड के रूप में।

3.2. e-पॉसिबिलिस्टिक इन्फरेंस मॉडल्स (IMs)

यह ढांचा परिकल्पना परीक्षण से आगे बढ़कर पूर्ण अनिश्चितता मात्रा निर्धारण तक विस्तार करता है।

• पॉसिबिलिस्टिक IMs: नियमितीकृत e-प्रक्रिया को एक संभावना कंटूर $\pi_{\text{reg}}(z_n, \theta) = 1 \wedge e_{\text{reg}}(z_n, \theta)^{-1}$ में परिवर्तित किया जाता है।
• प्रमेय 2 और 3: परिणामी e-पॉसिबिलिस्टिक IM स्ट्रॉन्गली एनीटाइम वैलिड है। यह संतुष्ट करता है:
  $$\overline{\mathbb{P}}\left( \pi_{\text{reg}}(Z_N, f(\Omega)) \leq \alpha \right) \leq \alpha$$
  इसका तात्पर्य है कि IM "झूठी आत्मविश्वास" (false confidence) से बचता है (व्यवस्थित रूप से गलत परिकल्पनाओं को उच्च विश्वास देना), गतिशील स्टॉपिंग नियमों के तहत भी।

3.3. निर्णय-सैद्धांतिक गुण (Decision-Theoretic Properties)

लेख प्रदर्शित करता है कि e-पॉसिबिलिस्टिक IM कई वांछनीय गुणों को संतुष्ट करता है:

• लाइकलीहुड सिद्धांत (Likelihood Principle): निष्कर्ष केवल लाइकलीहुड फंक्शन पर निर्भर करता है।
• नो श्योर लॉस (No Sure Loss): IM से व्युत्पन्न मूल्य निर्धारण प्रणाली सुसंगत है और एक "डच बुक" (Dutch Book) परिदृश्य को रोकती है जहाँ एक एजेंट के पैसे हारने की गारंटी होती है।
• निर्णय लेना: ढांचा अपेक्षित ऊपरी हानि (एक चोक्वेट इंटीग्रल/Choquet integral) को न्यूनतम करके औपचारिक निर्णय लेने का समर्थन करता है और IM द्वारा मात्रांकित अनिश्चितता के प्रति मजबूत नियम प्रदान करता है।

4. परिणाम और चित्रण

लेख अपनी कार्यप्रणाली को सैद्धांतिक प्रमाणों और संख्यात्मक चित्रणों के माध्यम से मान्य करता है:

• दक्षता लाभ: एक सामान्य वितरण माध्य मॉडल में, रेगुलराइज़र के माध्यम से आंशिक पूर्व जानकारी (जैसे, "95% निश्चित कि माध्य सकारात्मक है") को शामिल करने से अन-रेगुलराइज्ड e-प्रक्रिया की तुलना में गलत परिकल्पना को खारिज करने के लिए आवश्यक नमूनों की संख्या काफी कम हो जाती है। लाभ तब सबसे अधिक स्पष्ट होता है जब डेटा पूर्व के साथ थोड़ा असंगत होता है, फिर भी पूर्व मजबूत होता है।
• क्लिनिकल ट्रायल्स में अनुप्रयोग: ढांचे को वेयर (1989) के ECMO बनाम CMT क्लिनिकल अध्ययन के डेटा पर लागू किया गया है।
  • पूर्व ज्ञान (ऐतिहासिक उत्तरजीविता दर) को एक संभावना माप (possibility measure) के रूप में एनकोड किया गया था।
  • नियमितीकृत e-प्रक्रिया ने ECMO उत्तरजीविता दर (जहाँ पूर्व ज्ञान मजबूत था) के लिए टाइट कॉन्फिडेंस सेट्स बनाए और CMT दर (जहाँ पूर्व ज्ञान कमजोर/असंगत था) के लिए थोड़े व्यापक सेट्स बनाए, जो एक रूढ़िवादी लेकिन कुशल समायोजन प्रदर्शित करता है।
  • यह निष्कर्ष कि ECMO श्रेष्ठ है, फिशर के सटीक परीक्षण (जिसमें एनीटाइम वैधता की कमी है) की तुलना में मजबूत औचित्य के साथ निकाला गया और सामान्यीकृत बेयसियन विश्लेषणों के अनुरूप था।

5. महत्व और दावे

लेख गतिशील डेटा परिदृश्यों में आंशिक पूर्व ज्ञान का उपयोग करने के लिए एक कठोर, गैर-एसिम्प्टोटिक (non-asymptotic) ढांचे को प्रदान करने का दावा करता है।

• अंतराल को पाटना: यह सटीक पूर्व वितरण की मजबूत धारणा की आवश्यकता के बिना, शुद्धतावादी (frequentist) एनीटाइम वैध विधियों की सख्त विश्वसनीयता और बेयसियन विधियों की दक्षता के बीच के अंतर को पाटता है।
• विश्वसनीयता के साथ दक्षता: यह सिद्ध किया गया है कि रेगुलराइजेशन के माध्यम से दक्षता लाभ विश्वसनीयता की कीमत पर नहीं आते हैं, बशर्ते वैधता परिभाषा को विशिष्ट पूर्व ज्ञान को ध्यान में रखते हुए उचित रूप से शिथिल (relax) किया जाए।
• व्यावहारिक उपयोगिता: संभावना सिद्धांत और इप्रिसाइज प्रोबेबिलिटी का उपयोग करके, यह विधि शोधकर्ताओं को सटीक प्रायिकता वितरण बनाने के बजाय गुणात्मक या "सरप्राइज-आधारित" ज्ञान (जैसे, "मैं बहुत आश्चर्यचकित होऊँगा यदि $\Theta = c$") का उपयोग करने में सक्षम बनाती है।
• मजबूती (Robustness): परिणामी अनुमान प्रतिकूल या डेटा-निर्भर स्टॉपिंग नियमों के खिलाफ "सुरक्षित" है और पारंपरिक संभाव्यता मात्रा निर्धारण से जुड़े व्यवस्थित रूप से भ्रामक निष्कर्षों से बचता है।

लेखक नोट करते हैं कि जबकि सिद्धांत स्थापित है, पूर्वों का व्यावहारिक निष्कर्षण (गुणात्मक ज्ञान को संभावना कंटूर में बदलना) भविष्य के अनुसंधान के लिए एक मनोवैज्ञानिक और पद्धतिगत चुनौती बना हुआ है। इसके अतिरिक्त, वर्तमान सिद्धांत स्थिर-आयामी (fixed-dimensional) मापदंडों पर केंद्रित है, जिससे उच्च-आयामी मामलों में अनुकूलन एक खुला प्रश्न रह जाता है।