📊 statistics

Learning with Importance Weighted Variational Inference

यह शोध पत्र विभिन्न महत्व-भारित (importance-weighted) वेरिएशनल इन्फरेंस बाउंड्स के माध्यम से रीपैरामीटराइज्ड और डबली-रीपैरामीटराइज्ड ग्रेडिएंट एस्टिमेटर्स का एक एकीकृत सैद्धांतिक तुलना प्रदान करता है, जो एसिम्प्टोटिक सिग्नल-टू-नॉइज़ रेशियो विश्लेषणों के माध्यम से डबली-रीपैरामीटराइज्ड दृष्टिकोण की श्रेष्ठता को प्रदर्शित करता है और सैंपल मीन रेश्यो के अध्ययन के लिए नए सामान्य उपकरण स्थापित करता है।

मूल लेखक: Kamélia Daudel, François Roueff

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kamélia Daudel, François Roueff

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।

बड़ी तस्वीर: धुंध भरे पहाड़ पर नेविगेशन

कल्पना कीजिए कि आप एक विशाल, धुंध भरे पहाड़ी क्षेत्र में सबसे ऊँची चोटी (असली उत्तर या पोस्टीरियर डिस्ट्रीब्यूशन) को खोजने की कोशिश कर रहे हैं। आप पूरे नक्शे को नहीं देख सकते, इसलिए आपको अंदाज़ा लगाकर ऊपर चढ़ना होगा। मशीन लर्निंग में वैरिएशनल इन्फरेंस (VI) यही करता है: यह एक जटिल समस्या के लिए सबसे अच्छा संभव अनुमान खोजने की कोशिश करता है।

चढ़ने में आपकी मदद के लिए, आप एक दिशा-सूचक यंत्र (compass) का उपयोग करते हैं। इस शोध पत्र में, वह "कम्पास" एक ग्रेडिएंट एस्टीमेटर (gradient estimator) है—एक गणितीय उपकरण जो आपको बताता है कि चोटी के करीब पहुँचने के लिए किस दिशा में बढ़ना है।

समस्या यह है कि पहाड़ इतना बड़ा है और धुंध इतनी घनी है कि आप रास्ता स्पष्ट रूप से नहीं देख सकते। सही दिशा का सटीक बोध होने के लिए आपको कई छोटे कदम (सैंपल्स) लेने होंगे। यह शोध पत्र दो अलग-अलग प्रकार के कंपास की जांच करता है:

REP (रिपैरामीटरियज्ड): मानक कंपास।
DREP (डबली रिपैरामीटरियज्ड): एक नया, अधिक उन्नत कंपास।

लेखक पूछते हैं: कौन सा कंपास बेहतर है? क्या इससे फर्क पड़ता है कि आप कितने कदम (सैंपल्स) लेते हैं? और यदि धुंध बहुत अधिक घनी हो (यानी आपका शुरुआती अनुमान बहुत गलत हो) तो क्या होता है?

1. "सिग्नल-टू-नॉइज़" की समस्या

वास्तविक दुनिया में, एक कंपास बेकार है यदि वह पागलों की तरह घूमता रहे। गणित में इसे सिग्नल-टू-नॉइज़ रेशियो (SNR) कहा जाता है।

सिग्नल: चोटी की ओर वास्तविक दिशा।
नॉइज़ (शोर): धुंध के कारण होने वाली यादृच्छिक त्रुटियाँ (सांख्यिकीय रैंडमनेस)।

यदि शोर बहुत अधिक है, तो आपका कंपास एक यादृच्छिक दिशा दिखाएगा, और आप बिना किसी दिशा के भटकते रहेंगे। यह शोध पत्र विश्लेषण करता है कि जैसे-जैसे आप अधिक कदम (सैंपल्स) लेते हैं, दोनों REP और DREP कंपास के लिए शोर कितना "तेज़" होता है।

2. ट्रेड-ऑफ: "ट्यूनिंग नॉब" ( $\alpha$ )

शोधकर्ताओं ने पाया कि इन कंपासों में एक विशेष ट्यूनिंग नॉब होता है जिसे $\alpha$ (अल्फा) कहा जाता है। इस नॉब को घुमाने से कंपास का व्यवहार बदल जाता है:

इसे एक तरफ घुमाने पर (0 की ओर): आपको पहाड़ का बहुत सटीक नक्शा मिलता है (वास्तविक लाइकलीहुड), लेकिन कंपास बहुत अस्थिर (उच्च शोर) हो जाता है। यह एक हिलती हुई नाव पर खड़े होकर हाई-डेफिनिशन मैप पढ़ने जैसा है।
इसे दूसरी तरफ घुमाने पर (1 की ओर): कंपास बहुत स्थिर (कम शोर) हो जाता है, लेकिन नक्शा धुंधला और कम सटीक (उच्च बायस) होता है। यह एक स्थिर हाथ होने के बावजूद लो-रेज़ोल्यूशन स्केच देखने जैसा है।

निष्कर्ष: शोध पत्र सिद्ध करता है कि बीच में एक "स्वीट स्पॉट" (उपयुक्त बिंदु) होता है। $\alpha$ को सही ढंग से ट्यून करके, आप दिशा को बेहतर बनाने के लिए अस्थिरता (shake) और धुंधलेपन (blur) के बीच संतुलन बना सकते हैं। यही कारण है कि पिछले प्रयोगों में इस नंबर को बदलने से परिणाम बेहतर हुए थे।

3. विजेता: DREP क्यों बेहतर है?

यह शोध पत्र पहला ठोस गणितीय प्रमाण प्रदान करता है कि DREP कंपास, REP कंपास की तुलना में श्रेष्ठ है, विशेष रूप से तब जब आप चोटी के करीब होते हैं।

उपमा: कल्पना कीजिए कि आप अपने हाथ पर एक झाड़ू को संतुलित करने की कोशिश कर रहे हैं।
- REP कंपास एक ऐसी झाड़ू की तरह है जो पूरी तरह संतुलित होने पर भी थोड़ा डगमगाती रहती है। इसमें एक "अवशिष्ट डगमगाहट" (residual wobble) होती है जो कभी खत्म नहीं होती।
- DREP कंपास एक जादुई झाड़ू की तरह है। जैसे-जैसे आप पूर्ण संतुलन बिंदु के करीब पहुँचते हैं, डगमगाहट पूरी तरह से गायब हो जाती है।

चूँकि DREP कंपास समाधान के करीब पहुँचने पर हिलना बंद कर देता है, इसलिए यह एल्गोरिदम को बहुत तेज़ी से और अधिक भरोसेमंद तरीके से काम पूरा करने (converge) की अनुमति देता है। शोध पत्र सिद्ध करता है कि DREP "इंटरपोलेशन चैंपियन" है—इसे पता है कि कब डगमगाना बंद करना है।

4. "केओस ज़ोन" (Chaos Zone): जब अनुमान बहुत खराब हो

क्या होता है यदि आपका शुरुआती अनुमान बहुत गलत हो? शायद आप पूरी तरह से एक अलग घाटी में हैं, और धुंध इतनी घनी है कि आप अपने पैर भी नहीं देख सकते। यह "डेटिरियोरेटिंग रिजीम" (बिगड़ता हुआ चरण) है।

लेखकों ने इस अराजक परिदृश्य का विश्लेषण किया जहाँ आपके अनुमान और सत्य के बीच का अंतर बहुत बड़ा है।

निष्कर्ष: इस अराजकता में भी, यदि आप बहुत अधिक कदम (सैंपल्स) लेते हैं, तो अतिरिक्त प्रयास से कोई मदद नहीं मिलती। कंपास बस अपने मूल, अस्थिर संस्करण (N=1 केस) पर वापस आ जाता है।
सबक: यदि आपका अनुमान बहुत खराब है, तो हजारों छोटे कदम लेने में समय बर्बाद न करें। इसके बजाय, कम कदम लें लेकिन अपनी स्थिति को तेज़ी से बदलने पर ध्यान दें ताकि आप उस "बुरे घाटी" से बाहर निकल सकें। एक बार जब आप असली पहाड़ के करीब पहुँच जाएँ, तब आप अपने पथ को सूक्ष्म रूप से सुधारने के लिए अधिक कदम ले सकते हैं।

5. यात्रा का सारांश

यह शोध पत्र मशीन लर्निंग एल्गोरिदम के पूरे जीवन चक्र का मानचित्र तैयार करता है:

प्रारंभिक चरण (खराब अनुमान): आप सत्य से बहुत दूर हैं। यहाँ "अराजकता" (chaos) का नियम चलता है। आपको कम सैंपल्स का उपयोग करना चाहिए ताकि आप तेज़ी से आगे बढ़ सकें और सत्य से दूरी कम कर सकें।
अंतिम चरण (अच्छा अनुमान): आप चोटी के करीब हैं। यहाँ "शोर" (noise) का नियम चलता है। आपको अंतिम, नाजुक कदमों के साथ शिखर तक पहुँचने के लिए अधिक सैंपल्स और DREP कंपास का उपयोग करना चाहिए।

"इसका महत्व क्या है?"

यह शोध पत्र केवल यह नहीं कहता कि "DREP अच्छा है।" यह गणितीय ब्लूप्रिंट प्रदान करता है कि यह क्यों काम करता है। यह सटीकता और स्थिरता के बीच छिपे व्यापार-बंद (trade-offs) को समझाता है, यह सिद्ध करता है कि नई विधि (DREP) अनावश्यक डगमगाहट को कैसे समाप्त करती है, और यह व्यावहारिक सलाह देता है कि आप अपने "ट्यूनिंग नॉब्स" ( $\alpha$ ) और "स्टेप काउंट" ( $N$ ) को उत्तर से कितनी दूर होने के आधार पर कैसे समायोजित करें।

यह एक हाइकर (पर्वतारोही) को केवल यह बताने जैसा नहीं है कि कौन सा कंपास खरीदना है, बल्कि यह भी बताने जैसा है कि पहाड़ के आधार पर और शिखर पर पहुँचने के बाद उसका उपयोग कैसे करना है।

तकनीकी सारांश: महत्व भारित वेरिएशनल इन्फरेंस के साथ सीखना (Learning with Importance Weighted Variational Inference)

समस्या विवरण (Problem Statement)

वेरिएशनल इन्फरेंस (VI) एक अगम्य (intractable) लक्ष्य पश्च वितरण (target posterior density) $p_\theta(z|x)$ को एक सुलभ वितरण परिवार $q_\phi(z|x)$ का उपयोग करके अनुमानित करने का प्रयास करता है। जबकि मानक एविडेंस लोअर बाउंड (ELBO) पारंपरिक उद्देश्य है, हालिया शोध महत्व-भारित सीमाओं (importance-weighted bounds) पर केंद्रित रहा है, जैसे कि इम्पॉर्टेंस-वेटेड ऑटो-एनकोडर (IWAE), वेरिएशनल रेनी (VR), और एकीकृत VR-IWAE बाउंड। ये सीमाएं नमूनों की संख्या $N$ और एक हाइपरपैरामीटर $\alpha \in [0, 1)$ पर निर्भर करती हैं।

इन सीमाओं की लोकप्रियता के बावजूद, इस बात की समझ सीमित है कि बाउंड और ग्रेडिएंट एस्टिमेटर का संयुक्त चयन अनुकूलन प्रक्षेपवक्र (optimization trajectory) को कैसे प्रभावित करता है। विशेष रूप से, निम्नलिखित के संबंध में व्यापक विश्लेषण का अभाव है:

$N \to \infty$ होने पर रिपैरामीटराइज्ड (REP) और डबली-रिपैरामीटराइज्ड (DREP) ग्रेडिएंट एस्टिमेटर्स का स्पर्शिक व्यवहार (asymptotic behavior)।
इन एस्टिमेटर्स में हाइपरपैरामीटर $\alpha$ द्वारा उत्पन्न बायस-वेरिएंस ट्रेडऑफ (bias-variance tradeoff)।
उन "चुनौतीपूर्ण शासनों" (challenging regimes) में एस्टिमेटर्स का प्रदर्शन जहाँ वेरिएशनल सन्निकटन बिगड़ जाता है (अर्थात, वेरिएशनल और पोस्टीरियर घनत्वों के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस बड़ा होता है)।

वर्तमान साहित्य खंडित अंतर्दृष्टि प्रदान करता है, जो अक्सर विशिष्ट मामलों (जैसे $\alpha=0$ के लिए IWAE) तक सीमित है या अनौपचारिक तर्कों पर निर्भर है। अनुभवजन्य अध्ययन बताते हैं कि DREP, REP से बेहतर प्रदर्शन करता है और $\alpha$ को ट्यून करने से प्रदर्शन में सुधार होता है, लेकिन एक एकीकृत सैद्धांतिक औचित्य गायब है।

कार्यप्रणाली (Methodology)

लेखक VR-IWAE बाउंड के ग्रेडिएंट एस्टिमेटर्स के सिग्नल-टू-नॉइज़ रेशियो (SNR) का विश्लेषण करने के लिए एक एकीकृत सैद्धांतिक ढांचे को विकसित करते हैं। कार्यप्रणाली दो प्राथमिक स्पर्शिक विश्लेषणों पर निर्भर करती है:

1. $N \to \infty$ के रूप में स्पर्शिक व्यवहार (फिक्स्ड मिसमैच)

पेपर पहले नमूना माध्य के अनुपातों (ratios of sample means) के सामान्य स्पर्शिक अपेक्षा और विचरण के लिए एक सामान्य सैद्धांतिक परिणाम स्थापित करता है।

थ्योरम 1: $N \to \infty$ होने पर $E[X_N / (W_N)^\mu]$ के सीमित व्यवहार और इसके विचरण को प्रदान करता है, जो हल्के मोमेंट कंडीशंस के तहत है। यह सेल्फ-नॉर्मलाइज्ड इम्पॉर्टेंस सैंपलिंग के मौजूदा परिणामों को सामान्य बनाता है।
VI में अनुप्रयोग: REP और DREP ग्रेडिएंट एस्टिमेटर्स को इस अनुपात-के-माध्य (ratio-of-means) ढांचे (जहाँ $X$ और $W$ इम्पॉर्टेंस वेट्स और उनके डेरिवेटिव के फलन हैं) में मैप करके, लेखक दोनों एस्टिमेटर्स के लिए स्पर्शिक SNR प्राप्त करते हैं।
मुख्य मीट्रिक: SNR को $|E[\text{estimator}]| / \sqrt{\text{Var}[\text{estimator}]}$ के रूप में परिभाषित किया गया है। उच्च SNR एक विश्वसनीय ग्रेडिएंट दिशा का संकेत देता है।

2. बिगड़ते शासनों में स्पर्शिक व्यवहार ( $N, \text{KL} \to \infty$ )

पेपर एक ऐसे शासन का विश्लेषण करता है जहाँ वेरिएशनल सन्निकटन खराब है, जिसे $KL(\theta, \phi; x) \to \infty$ द्वारा पहचाना जाता है, जबकि $N \to \infty$ इस प्रकार होता है कि $\log N = o(KL)$ ।

धारणा (B1): लॉग-इम्पॉर्टेंस वेट्स को एक गॉसियन रैंडम फील्ड के रूप में मॉडल किया गया है। यह लेखकों को KL डाइवर्जेंस को लॉग-वेट्स के विचरण से सीधे जोड़ने की अनुमति देता है।
विश्लेषण: लेखक जांच करते हैं कि क्या पोस्टीरियर से दूर होने पर $N > 1$ बढ़ाने से कोई लाभ होता है। वे ऐसी स्थितियाँ प्राप्त करते हैं जिनमें ग्रेडिएंट एस्टिमेटर्स $N=1$ (ELBO) के व्यवहार में वापस आ जाते हैं।

मुख्य योगदान (Key Contributions)

1. REP और DREP एस्टिमेटर्स का एकीकृत तुलनात्मक विश्लेषण

यह पेपर पूरे $\alpha \in [0, 1)$ रेंज के लिए VR-IWAE बाउंड के लिए REP और DREP ग्रेडिएंट एस्टिमेटर्स का पहला एकीकृत स्पर्शिक लक्षण वर्णन प्रदान करता है।

बायस-वेरिएंस ट्रेडऑफ: विश्लेषण प्रकट करता है कि हाइपरपैरामीटर $\alpha$ एक ट्रेडऑफ को नियंत्रित करता है। REP एस्टिमेटर में, $\alpha$ को कम करने से (IWAE की ओर बढ़ने से) बायस में सुधार होता है (मार्जिनल लॉग-लाइक्लीहुड के करीब) लेकिन विचरण (variance) बढ़ जाता है।
DREP के लिए सैद्धांतिक औचित्य: लेखक औपचारिक रूप से सिद्ध करते हैं कि DREP एस्टिमेटर में इष्टतमता (optimality) पर "जीरो-वेरिएंस" गुण होता है (जब $q_\phi$ मैच होता है $p_\theta$ के साथ)। विशेष रूप से, इष्टतमता पर DREP का स्पर्शिक विचरण टर्म शून्य हो जाता है, जबकि REP का विचरण स्कोर फंक्शन टर्म के कारण गैर-शून्य रहता है। यह अनुभवजन्य रूप से देखे गए DREP की श्रेष्ठता के लिए पहला कठोर सैद्धांतिक औचित्य प्रदान करता है।

2. चुनौतीपूर्ण शासनों का विश्लेषण

पेपर इस मामले का विश्लेषण करता है जब महत्व-भारित VI का वेरिएशनल सन्निकटन बिगड़ जाता है।

वेट कोलैप्स (Weight Collapse): लेखक दिखाते हैं कि यदि KL डाइवर्जेंस बड़ा है, तो महत्व-भारित लाभ प्राप्त करने के लिए आवश्यक नमूना आकार ( $N$ ) घातीय रूप से ( $N \sim e^{KL}$ ) बढ़ता है।
ELBO की ओर वापसी: यदि $N$ , KL डाइवर्जेंस के साथ घातीय रूप से नहीं बढ़ता है, तो ग्रेडिएंट एस्टिमेटर्स प्रभावी रूप से $N=1$ (ELBO) बेसलाइन के व्यवहार में वापस आ जाते हैं। महत्वपूर्ण रूप से, पेपर प्रदर्शित करता है कि इस शासन में भी, ग्रेडिएंट एस्टिमेटर्स एक वैध दिशा की ओर संकेत करते हैं जो KL डाइवर्जेंस को कम करता है, जिससे वेरिएशनल सन्निकटन में सुधार होता है और अंततः एल्गोरिदम को उस "सुव्यवस्थित" शासन में प्रवेश करने की अनुमति मिलती है जहाँ $N > 1$ प्रभावी हो जाता है।

3. सामान्य मोंटे कार्लो टूल्स

VI से परे, पेपर नमूना माध्य अनुपातों (Theorem 1) के विश्लेषण के लिए सामान्य सैद्धांतिक उपकरण स्थापित करता है। ये उपकरण पिछले कार्यों (जैसे Rainforth et al., 2018; Daudel et al., 2023) की तुलना में कड़े कमजोर धारणाओं के तहत काम करते हैं और सामान्य शक्तियों $\mu > 0$ को समाहित करते हैं, जिससे इम्पॉर्टेंस-वेटिंग थ्योरी की प्रयोज्यता का विस्तार होता है।

परिणाम (Results)

स्पर्शिक व्यवहार ( $N \to \infty$ )

REP एस्टिमेटर: $\theta$ पैरामीटर्स के लिए SNR $\sqrt{N}$ के रूप में स्केल करता है। $\phi$ पैरामीटर्स के लिए, SNR केवल तभी $\sqrt{N}$ के रूप में स्केल करता है जब $\alpha \in (0, 1)$ हो। यदि $\alpha = 0$ (IWAE) है, तो उच्च विचरण के कारण $\phi$ के लिए SNR $1/\sqrt{N}$ के रूप में घटता है।
DREP एस्टिमेटर: $\alpha \in [0, 1)$ के लिए $\theta$ और $\phi$ दोनों पैरामीटर्स के लिए SNR $\sqrt{N}$ के रूप में स्केल करता है।
विचरण न्यूनीकरण (Variance Reduction): DREP एस्टिमेटर का स्पर्शिक विचरण REP एस्टिमेटर की तुलना में स्पष्ट रूप से कम है। उदाहरण 2 (लीनियर गॉसियन) में, $\alpha \in (0, 1)$ के लिए DREP का विचरण REP की तुलना में $\alpha^2/16$ के कारक से कम हो जाता है।

बिगड़ते शासन के परिणाम

$N$ के लिए थ्रेशोल्ड: पेपर स्थापित करता है कि वेट कोलैप्स से बचने के लिए $N$ को $\log N \ll KL(\theta, \phi; x)$ को संतुष्ट करना चाहिए।
अनुकूलन प्रक्षेपवक्र (Optimization Trajectory): उच्च-मिसमैच शासन में, $N > 1$ बढ़ाने से $N=1$ की तुलना में अनुकूलन दिशा में कोई महत्वपूर्ण परिवर्तन नहीं होता है। ग्रेडिएंट एस्टिमेटर इस तरह व्यवहार करता है जैसे कि वह ELBO को ऑप्टिमाइज़ कर रहा हो, जो फायदेमंद है क्योंकि यह KL डाइवर्जेंस को कम करने के लिए प्रेरित करता है।
दो-चरणीय प्रशिक्षण (Two-Phase Training): परिणाम दो-चरणीय प्रशिक्षण गतिशीलता का सुझाव देते हैं:
1. प्रारंभिक चरण (उच्च मिसमैच): ग्रेडिएंट स्टेप्स की संख्या को अधिकतम करने और KL डाइवर्जेंस को तेजी से कम करने के लिए $N=1$ इष्टतम है।
- अंतिम चरण (निम्न मिसमैच): एक बार जब वेरिएशनल सन्निकटन पोस्टीरियर के पर्याप्त करीब हो जाता है, तो $N$ को बढ़ाने से विचरण कम होता है और अभिसरण (convergence) में सुधार होता है।

महत्व और दावे (Significance and Claims)

पेपर निम्नलिखित द्वारा महत्व-भारित VI की समझ को आगे बढ़ाने का दावा करता है:

DREP लाभ को औपचारिक बनाना: यह प्रमाणित करना कि DREP एस्टिमेटर्स, विशेष रूप से इष्टतमता पर स्कोर फंक्शन के विचरण योगदान को समाप्त करके, REP एस्टिमेटर्स से बेहतर प्रदर्शन करते हैं।
$\alpha$ की भूमिका को स्पष्ट करना: यह प्रदर्शित करना कि $\alpha$ एक बायस-वेरिएंस ट्रेडऑफ को नियंत्रित करता है, जो यह समझाता है कि $\alpha$ को ट्यून करना प्रदर्शन में क्यों सुधार करता है।
प्रशिक्षण चरणों को जोड़ना: खराब शुरुआत (उच्च KL) से अभिसरण (निम्न KL) तक VI व्यवहार की समझ को एकीकृत करना। पेपर तर्क देता है कि उच्च-मिसमैच शासन में "वेट कोलैप्स" की घटना विफलता नहीं बल्कि एक तंत्र है जो एल्गोरिदम को स्वाभाविक रूप से मजबूत ELBO बेसलाइन की ओर वापस ले जाता है, जिससे तब तक प्रगति सुनिश्चित होती है जब तक कि वेरिएशनल फैमिली पर्याप्त अभिव्यंजक न हो जाए ताकि बड़े $N$ का समर्थन किया जा सके।
पद्धतिगत योगदान: नमूना माध्य अनुपातों के विश्लेषण के लिए एक सामान्य ढांचा प्रदान करना जो VI से परे अन्य मोंटे कार्लो अनुप्रयोगों, जैसे कि लार्ज लैंग्वेज मॉडल्स (LLMs) की फाइन-ट्यूनिंग तक विस्तृत है।

लेखक इन सैद्धांतिक निष्कर्षों को गॉसियन मॉडल, लीनियर गॉसियन मॉडल और MNIST पर एक वेरिएशनल ऑटो-एनकोडर (VAE) पर संख्यात्मक प्रयोगों के माध्यम से सत्यापित करते हैं, जिससे यह दिखाया गया है कि देखे गए SNR रुझान व्युत्पन्न स्पर्शिक भविष्यवाणियों के अनुरूप हैं।