🤖 machine learning

Testing Support Size More Efficiently Than Learning Histograms

यह शोध पत्र यह प्रदर्शित करता है कि यह परीक्षण करना कि क्या कोई वितरण (distribution) अधिकतम $n$ तत्वों पर समर्थित है, इसके हिस्टोग्राम को सीखने की तुलना में अधिक कुशलता से प्राप्त किया जा सकता है, जिसके लिए चेबीशेव बहुपद सन्निकटन (Chebyshev polynomial approximations) के एक नवीन विश्लेषण का लाभ उठाते हुए केवल $O(\frac{n}{\epsilon \log n} \log(1/\epsilon))$ नमूनों की आवश्यकता होती है।

मूल लेखक: Renato Ferreira Pinto Jr., Nathaniel Harms

प्रकाशित 2026-05-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Renato Ferreira Pinto Jr., Nathaniel Harms

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 "Testing Support Size More Efficiently Than Learning Histograms" शोध पत्र का सरल भाषा में अनुवाद दिया गया है, जिसमें उपमाओं (analogies) का उपयोग किया गया है।

बड़ी तस्वीर: सब कुछ गिने बिना गिनती करना

कल्पना कीजिए कि आप एक विशाल झील में मछुआरे हैं। आपको नहीं पता कि वहाँ कितनी अलग-अलग प्रजातियाँ रहती हैं। आपके पास हर एक प्रजाति का नमूना पकड़ने के लिए सीमित संख्या में जार (मान लीजिए 10,000) हैं।

आपके पास दो विकल्प हैं:

"सब कुछ सीखने" वाला दृष्टिकोण (The "Learn Everything" Approach): आप एक-एक करके मछलियाँ पकड़ते हैं, हर एक पाई गई प्रजाति का सावधानीपूर्वक दस्तावेजीकरण करते हैं, यह पता लगाते हैं कि प्रत्येक कितनी सामान्य या दुर्लभ है, और पूरी झील के पारिस्थितिकी तंत्र (ecosystem) का एक पूर्ण मानचित्र बनाते हैं। एक बार जब आपके पास यह पूर्ण मानचित्र तैयार हो जाता है, तो आप प्रजातियों की गणना कर सकते हैं।
"बस जाँच करने" वाला दृष्टिकोण (The "Just Check" Approach): आप केवल एक ही बात जानना चाहते हैं: क्या प्रजातियाँ 10,000 से अधिक हैं? यदि हाँ, तो आपको और जार चाहिए। यदि नहीं, तो आपके 10,000 जार पर्याप्त हैं। आपको प्रत्येक मछली की सटीक संख्या या जनसंख्या जानने की आवश्यकता नहीं है; आपको बस एक विश्वसनीय "हाँ/नहीं" उत्तर चाहिए।

समस्या: लंबे समय तक, वैज्ञानिकों का मानना था कि विश्वसनीय उत्तर पाने का एकमात्र तरीका "सब कुछ सीखना" (मानचित्र बनाना) जैसा कठिन काम करना है। इसके लिए बहुत अधिक नमूने (मछलियाँ पकड़ना) लेने की आवश्यकता होती है।

खोज: यह शोध पत्र सिद्ध करता है कि आप पूरे मानचित्र को बनाने की तुलना में बहुत तेज़ी से "बस जाँच करें" वाले प्रश्न का उत्तर दे सकते हैं। आप यह निर्धारित कर सकते हैं कि प्रजातियों की संख्या आपके जार की क्षमता से अधिक है या नहीं, इसके लिए पूरे पारिस्थितिकी तंत्र को समझने की तुलना में बहुत कम मछलियाँ पकड़कर।

मुख्य अवधारणा: "जादुई बहुपद" (The "Magic Polynomial")

वे यह कैसे करते हैं? वे चेबिशेव बहुपद (Chebyshev polynomials) नामक एक गणितीय उपकरण का उपयोग करते हैं।

एक बहुपद (polynomial) को एक ऐसी मशीन के रूप में सोचें जो एक संख्या (जैसे किसी विशिष्ट मछली के मिलने की संभावना) लेती है और एक परिणाम देती है।

लक्ष्य: वे एक ऐसी मशीन चाहते हैं जो यदि कोई मछली प्रजाति मौजूद है (भले ही वह बहुत दुर्लभ हो) तो "1" कहे और यदि नहीं है तो "0" कहे।
समस्या: आप ऐसी पूर्ण मशीन नहीं बना सकते जो इसे तुरंत कर सके। यदि आप इसे हर संभावित मछली के लिए काम करने के लिए बनाने की कोशिश करते हैं, तो मशीन बहुत जटिल हो जाती है और इसे चलाने के लिए बहुत अधिक नमूनों की आवश्यकता होती है।
तरीका: लेखकों ने एक ऐसी मशीन बनाई जो "सामान्य" मछलियों (जिन्हें आप अक्सर पकड़ते हैं) के लिए पूरी तरह से काम करती है। "दुर्लभ" मछलियों (जिन्हें आप शायद ही कभी पकड़ते हैं) के लिए, मशीन पूर्ण नहीं है, लेकिन यदि आप गणित को सही ढंग से संतुलित करते हैं, तो यह "काफी अच्छी" है।

उन्होंने महसूस किया कि इस मशीन को सावधानीपूर्वक ट्यून करके (चेबिशेव बहुपद नामक एक विशिष्ट वक्र का उपयोग करके), वे दुर्लभ मछलियों के सूक्ष्म विवरणों को अनदेखा कर सकते हैं और फिर भी एक मजबूत संकेत प्राप्त कर सकते हैं कि "हे! यहाँ बहुत सारी दुर्लभ मछलियाँ हैं!"

दो मुख्य समस्याएँ जो उन्होंने हल कीं

यह शोध पत्र दो विशिष्ट प्रश्नों पर काम करता है:

1. "जार परीक्षण" (Support Size Testing)

प्रश्न: "क्या प्रजातियाँ $\le$ 10,000 हैं, या यह इतनी बड़ी है कि हम जनसंख्या का कम से कम 0.1% हिस्सा मिस कर रहे हैं?"
पुराना तरीका: सुनिश्चित होने के लिए, आपको इतनी मछलियाँ पकड़नी पड़ती थीं जिससे "हिस्टोग्राम" (आपने कितनी प्रत्येक मछली पकड़ी इसकी सूची) सीखा जा सके। इसमें लगभग $n / \epsilon^2$ नमूनों की आवश्यकता होती थी (जहाँ $n$ आपकी जार सीमा है और $\epsilon$ आपकी त्रुटि सहनशीलता है)।
नया तरीका: लेखक दिखाते हैं कि आपको केवल लगभग $n / \epsilon$ नमूनों की आवश्यकता है।
उपमा: यदि पुराने तरीके को सुनिश्चित होने के लिए 100 जार भरने की आवश्यकता थी, तो नया तरीका आपको केवल 10 जार भरने देता है और फिर भी आप उतने ही आश्वस्त रह सकते हैं। यह दक्षता में एक बड़ी वृद्धि है।

2. "सबसे अच्छा अनुमान" (Lower Bounds)

प्रश्न: "यदि मैं $m$ मछलियाँ पकड़ता हूँ, तो प्रजातियों की वह न्यूनतम संख्या क्या है जिसके अस्तित्व के बारे में मैं निश्चित हो सकता हूँ?"
पुराना तरीका: यदि आपने 100 मछलियाँ पकड़ीं, तो आप अनुमान लगा सकते हैं कि कम से कम 100 प्रजातियाँ हैं (यदि वे सभी अलग थीं)। लेकिन यदि आपने दोहराव देखा, तो आपको कम अनुमान लगाना पड़ता। पुराना गणित कहता था कि आप केवल अपने नमूनों के वर्ग के आधार पर एक निचली सीमा (lower bound) की गारंटी दे सकते हैं।
नया तरीका: अपने बहुपद (polynomial) के जादू का उपयोग करके, वे बहुत अधिक निचली सीमा की गारंटी दे सकते हैं। यदि आप 100 मछलियाँ पकड़ते हैं, तो उनकी विधि यह सिद्ध कर सकती है कि संभवतः 100 से कहीं अधिक प्रजातियाँ मौजूद हैं, भले ही आपने अभी तक उन सभी को नहीं देखा हो। यह रेत पर कुछ पदचिह्नों को देखकर आत्मविश्वास से यह कहने जैसा है कि, "यहाँ ज़रूर एक पूरा झुंड रहा होगा," बजाय इसके कि "शायद कुछ लोग यहाँ थे।"

यह क्यों महत्वपूर्ण है (बिना तकनीकी शब्दों के)

यह शोध पत्र प्रॉपर्टी टेस्टिंग (Property Testing) में एक बड़ी सफलता है। डेटा विज्ञान की दुनिया में, एक बड़ी बहस है: क्या हमें किसी गुण (property) की जाँच करने के लिए पूरे डेटा सेट को सीखना चाहिए, या हम सीधे उस गुण का परीक्षण कर सकते हैं?

सीखना (Learning) एक पूरी किताब पढ़ने जैसा है यह जानने के लिए कि क्या उसका अंत सुखद है।
परीक्षण (Testing) किताब के आखिरी पन्ने को सरसरी निगाह से देखने जैसा है यह देखने के लिए कि क्या नायक जीवित बच गया।

आमतौर पर, लोग सोचते थे कि सुनिश्चित होने के लिए आपको पूरी किताब पढ़नी होगी (हिस्टोग्राम सीखना)। यह शोध पत्र सिद्ध करता है कि अलग-अलग वस्तुओं (जैसे मछली की प्रजातियों) को गिनने के लिए, आप केवल आखिरी पन्ना पढ़कर (सपोर्ट साइज टेस्ट करके) बहुत तेज़ी से उत्तर प्राप्त कर सकते हैं।

"गुप्त नुस्खा" (The "Secret Sauce"): "हल्के" तत्वों को संभालना

गणित का सबसे कठिन हिस्सा "हल्के" (light) तत्वों के साथ निपटना था—वे मछलियाँ जो इतनी दुर्लभ हैं कि आप उन्हें लगभग कभी नहीं पकड़ पाते।

पिछले तरीकों में, यदि कोई मछली बहुत दुर्लभ थी, तो गणित विफल हो जाता था क्योंकि बहुपद का "सुरक्षित क्षेत्र" (safe zone) उसे कवर नहीं कर पाता था।
लेखकों का नवाचार यह विश्लेषण करना था कि सुरक्षित क्षेत्र के बाहर क्या होता है। उन्होंने दिखाया कि भले ही बहुपद इन दुर्लभ मछलियों के लिए पूर्ण न हो, लेकिन त्रुटियाँ (errors) इस तरह से एक-दूसरे को काटती हैं कि वे वास्तव में मदद करती हैं। उन्होंने एक "समझौता" (trade-off) पाया: यदि कई दुर्लभ मछलियाँ हैं, तो सामान्य मछलियों पर बहुपद का व्यवहार और दुर्लभ मछलियों पर उसका व्यवहार मिलकर एक ऐसा संकेत बनाता है जिसे अनदेखा करना असंभव है।

सारांश

पुरानी धारणा: एक विशाल डेटासेट में अलग-अलग वस्तुओं को गिनने के लिए, आपको पूरे वितरण (distribution) को सीखना होगा (जो धीमा और महंगा है)।
नई खोज: आप काफी कम नमूनों का उपयोग करके यह परीक्षण कर सकते हैं कि गणना "बहुत अधिक" है या "पर्याप्त कम" है।
कैसे: एक चतुर गणितीय वक्र (चेबिशेव बहुपद) का उपयोग करके जो गणना का अनुमान लगाता है, यहाँ तक कि सबसे दुर्लभ वस्तुओं के लिए भी, बिना उनकी सटीक संभावनाओं को जाने।
परिणाम: हम बड़े डेटासेट के बारे में निर्णय (जैसे "क्या हमें और जार चाहिए?") पहले की तुलना में बहुत तेज़ी से और सस्ते में ले सकते हैं, बिना पूरी तस्वीर को समझे।

यह शोध पत्र मूल रूप से इस बात की मार्गदर्शिका है कि कैसे इस विशिष्ट गणितीय वक्र का उपयोग करके जल्दी से एक "काफी अच्छा" उत्तर प्राप्त किया जा सकता है, जो यह सिद्ध करता है कि कभी-कभी, सही निर्णय लेने के लिए आपको सब कुछ जानने की आवश्यकता नहीं होती है।

तकनीकी सारांश: हिस्टोग्राम सीखने की तुलना में अधिक कुशलता से सपोर्ट साइज का परीक्षण करना

समस्या की परिभाषा

यह शोध पत्र एक गणनीय डोमेन (countable domain) पर एक अज्ञात संभाव्यता वितरण $p$ के संबंध में दो मौलिक समस्याओं को संबोधित करता है:

सपोर्ट साइज का परीक्षण (Testing Support Size): इस मामले के बीच अंतर करना जहाँ $p$ का सपोर्ट साइज $n$ से अधिक नहीं है और उस मामले के बीच जहाँ $p$ , अधिकतम $n$ के सपोर्ट साइज वाले वितरण से $\varepsilon$ -दूर (टोटल वेरिएशन डिस्टेंस में) है।
सपोर्ट साइज का निचला स्तर निर्धारित करना (Lower Bounding Support Size): $m$ नमूनों (samples) के दिए जाने पर, सपोर्ट साइज पर सबसे बड़ा संभव निचला स्तर $\hat{S}$ उत्पन्न करना ऐसा कि $\hat{S} \leq (1+\varepsilon)|\text{supp}(p)|$ उच्च प्रायिकता के साथ हो।

लेखक उस सेटिंग पर ध्यान केंद्रित करते हैं जहाँ वास्तविक सपोर्ट साइज असीमित है और संभाव्यता घनत्व (probability densities) मनमाने ढंग से छोटे हो सकते हैं, एक ऐसी स्थिति जहाँ मानक सपोर्ट साइज अनुमान असंभव है।

संदर्भ और प्रेरणा

वितरण के गुणों के परीक्षण के लिए मानक दृष्टिकोण "परीक्षण-द्वारा-सीखना" (testing-by-learning) है, जहाँ एक एल्गोरिदम वितरण के एक सन्निकटन (विशेष रूप से इसके हिस्टोग्राम) को सीखता है और उस सन्निकटन के आधार पर निर्णय लेता है।

पूर्व अत्याधुनिक अवस्था (Prior State of the Art): $[n]$ पर एक वितरण के हिस्टोग्राम को सीखने के लिए सर्वोत्तम ज्ञात ऊपरी सीमा $\Theta(\frac{n}{\varepsilon^2} \log n)$ नमूने है [33, 34, 21, 24]। फलस्वरूप, इस पद्धति के माध्यम से सपोर्ट साइज का परीक्षण करने के लिए $O(\frac{n}{\varepsilon^2} \log n)$ नमूनों की आवश्यकता थी।
अंतराल (The Gap): सपोर्ट साइज परीक्षण के लिए सर्वोत्तम ज्ञात निचली सीमा $\Omega(\frac{n}{\varepsilon} \log n)$ है [33, 37]। यह हिस्टोग्राम सीखने की लागत और केवल सपोर्ट साइज के परीक्षण की लागत के बीच एक महत्वपूर्ण अंतराल छोड़ता है।
लक्ष्य: इस शोध पत्र का उद्देश्य यह प्रदर्शित करना है कि सपोर्ट साइज का परीक्षण हिस्टोग्राम सीखने की तुलना में अधिक कुशलता से किया जा सकता है, जिससे ऊपरी और निचली सीमाओं के बीच के अंतराल को भरा जा सके।

कार्यप्रणाली (Methodology)

प्रस्तावित एल्गोरिदम नमूना फिंगरप्रिंट (नमूने में प्रत्येक तत्व कितनी बार आता है इसकी गणना) पर आधारित एक रैखिक अनुमानक (linear estimator) का उपयोग करता है। मुख्य तकनीक में चेबीशेव बहुपद सन्निकटन (Chebyshev polynomial approximations) शामिल हैं।

1. टेस्ट स्टैटिस्टिक (The Test Statistic)

एल्गोरिदम एक टेस्ट स्टैटिस्टिक $\hat{S} = \sum_{i} (1 + f(N_i))$ को परिभाषित करता है, जहाँ $N_i$ वह संख्या है जितनी बार तत्व $i$ नमूने में आता है, और $f$ एक फलन (function) है जिसे निर्धारित किया जाना है। इस स्टैटिस्टिक का अपेक्षित मान (expected value) है:
$\mathbb{E}[\hat{S}] = \sum_{i} Q(p_i)$
जहाँ $Q(x) = 1 + e^{-mx}P(x)$ है और $P(x)$ एक बहुपद है जो $f$ से व्युत्पन्न है। लक्ष्य $P(x)$ का निर्माण करना है ताकि $x > 0$ के लिए $Q(x) \approx 1$ हो (जो दर्शाता है कि एक तत्व सपोर्ट में है) और $x = 0$ के लिए $Q(x) \approx 0$ हो।

2. चेबीशेव बहुपद निर्माण (Chebyshev Polynomial Construction)

चूंकि एक बहुपद स्टेप फंक्शन $1[x>0]$ का पूर्णतः सन्निकटन नहीं कर सकता, इसलिए लेखक एक "सुरक्षित अंतराल" $[\ell, r]$ पर इस व्यवहार को सन्निकट करने के लिए शिफ्टेड और स्केल्ड चेबीशेव बहुपदों का उपयोग करते हैं।

चुनौती: सपोर्ट साइज अनुमान (जैसे, [37]) पर पिछले कार्यों के विपरीत, जो यह मानता है कि सभी गैर-शून्य घनत्व $p_i \geq 1/n$ हैं, यह शोध पत्र इस मामले को संभालता है जहाँ $p_i$ मनमाने ढंग से छोटे ( $0 < p_i < \ell$ ) हो सकते हैं।
ट्रेड-ऑफ (The Trade-off): लेखक "भारी" तत्वों ( $p_i \geq \ell$ $p_{i} \geq ℓ$ ) और "हल्के" तत्वों ( $p_i < \ell$ $p_{i} < ℓ$ ) पर अनुमानक के व्यवहार का विश्लेषण करते हैं।
- भारी तत्वों के लिए, चेबीशेव बहुपद सुनिश्चित करता है कि $Q(p_i) \approx 1$ हो।
- हल्के तत्वों के लिए, बहुपद स्टेप फंक्शन का एक अच्छा सन्निकटन होने के लिए डिज़ाइन नहीं किया गया है। हालांकि, लेखक एक ट्रेड-ऑफ स्थापित करते हैं: यदि वितरण अपने सपोर्ट साइज $n$ होने से $\varepsilon$ -दूर है, तो $\sum Q(p_i)$ में हल्के तत्वों का योगदान शून्य परिकल्पना (null hypothesis) से अंतर करने के लिए पर्याप्त रूप से बड़ा होगा।

3. पैरामीटर अनुकूलन (Parameter Optimization)

प्रमाण में बहुपद की डिग्री $d$ , सुरक्षित अंतराल $[\ell, r]$ , और नमूना आकार $m$ पर प्रतिबंधों को सेट करने का कार्य शामिल है।

प्रतिबंध I और II: यह सुनिश्चित करना कि बहुपद सुरक्षित अंतराल में सीमित (bounded) है और उसके बाहर उचित रूप से घटता है।
प्रतिबंध III: अनुमानक के विचरण (variance) को बांधना ताकि अभिसरण (concentration) सुनिश्चित हो सके।
प्रतिबंध IV (और IVb): यह महत्वपूर्ण नवाचार है। लेखक सबसे छोटे गैर-शून्य घनत्व पर निचले स्तर के प्रतिबंध को शिथिल (relax) करते हैं। $\ell \approx \frac{\varepsilon}{n \log(1/\varepsilon)}$ (प्रतिबंध IVb) को सावधानीपूर्वक चुनकर और $\Phi(\lambda)$ नामक फलन का उपयोग करके हल्के तत्वों के योग पर सबसे खराब स्थिति के व्यवहार का विश्लेषण करके, वे सिद्ध करते हैं कि अत्यंत छोटे घनत्वों के बावजूद अनुमानक सपोर्ट साइज के प्रति संवेदनशील रहता है।

मुख्य परिणाम

1. परीक्षण के लिए बेहतर नमूना जटिलता (Improved Sample Complexity for Testing)

प्रमेय 1.3: सपोर्ट साइज के परीक्षण के लिए नमूना जटिलता है:
$m(n, \varepsilon) = O\left( \frac{n}{\varepsilon} \log n \cdot \min\{\log(1/\varepsilon), \log n\} \right)$
यह परिणाम:

हिस्टोग्राम सीखने से प्राप्त पूर्व सर्वोत्तम ऊपरी सीमा $O(\frac{n}{\varepsilon^2} \log n)$ को पीछे छोड़ देता है।
ज्ञात निचली सीमा $\Omega(\frac{n}{\varepsilon} \log n)$ के लगभग बराबर है।
इस धारणा को हटा देता है कि वास्तविक सपोर्ट साइज $O(n)$ द्वारा सीमित है।

2. सपोर्ट साइज के बेहतर निचले स्तर (Improved Lower Bounds on Support Size)

उपप्रमेय (Corollary) 1.6: एल्गोरिदम सपोर्ट साइज पर एक निचला स्तर $\hat{S}$ उत्पन्न करता है ताकि:
$\min\{\text{eff}_\varepsilon(p), n\} \leq \hat{S} \leq (1+\varepsilon)|\text{supp}(p)|$
उच्च प्रायिकता कम से कम $3/4$ के साथ, उसी नमूना जटिलता का उपयोग करके जो टेस्टर के लिए है। यह हिस्टोग्राम लर्निंग से प्राप्त निचले स्तरों में सुधार करता है, जो $\Theta(\varepsilon^2 m \log m)$ तक सीमित थे।

3. वितरण और फलन परीक्षण की समानता (Equivalence of Distribution and Function Testing)

प्रमेय 1.8: यह शोध पत्र वितरण के सपोर्ट साइज के परीक्षण और वितरण-मुक्त नमूना-आधारित मॉडल में बूलियन फंक्शन क्लास $H_n = \{f: \mathbb{N} \to \{0,1\} \mid |f^{-1}(1)| \leq n\}$ के परीक्षण के बीच एक सटीक समानता स्थापित करता है।

यह $H_n$ के परीक्षण के लिए ऊपरी सीमा को $O(\frac{VC}{\varepsilon^2} \log VC)$ से बढ़ाकर $O(\frac{VC}{\varepsilon} \log VC \log(1/\varepsilon))$ करता है।
यह प्रदर्शित करता है कि इस वर्ग के लिए, परीक्षण उचित PAC लर्निंग की तुलना में काफी अधिक कुशल है।

महत्व और दावे

लेखक दावा करते हैं कि यह कार्य सपोर्ट साइज के परीक्षण के लिए पारंपरिक "परीक्षण-द्वारा-सीखना" दृष्टिकोण की तुलना में अधिक नमूना-कुशल विधि प्रदान करता है। यह शोध पत्र चेबीशेव बहुपद पद्धति के एक सुलभ, स्व-निहित विवरण के रूप में कार्य करता है, विशेष रूप से उन परिदृश्यों में इसके अनुप्रयोग को विस्तारित करता है जहाँ संभाव्यता घनत्व निचले स्तर से बंधे नहीं होते हैं।

लेखक नोट करते हैं कि उनकी प्रमाण रणनीति विशिष्ट पैरामीटर ट्रेड-ऑफ पर निर्भर करती है और उन्हें संदेह है कि उनका ऊपरी स्तर तब तक टाइट (tight) है जब तक कि कोई मौलिक रूप से भिन्न (जैसे, गैर-रैखिक) अनुमानक नहीं खोजा जाता। वे यह भी रेखांकित करते हैं कि जबकि उनके टेस्टर में थोड़ा टॉलरेंस ( $\varepsilon' = \Theta(1/m)$ ) है, $\varepsilon - \varepsilon'$ पर बेहतर निर्भरता के साथ एक पूर्णतः टॉलरेंट टेस्टर प्राप्त करना एक खुला प्रश्न बना हुआ है।

यह कार्य वितरण परीक्षण को प्रॉपर्टी टेस्टिंग के व्यापक "परीक्षण बनाम सीखना" प्रश्न से जोड़ता है, यह दिखाते हुए कि सपोर्ट साइज के लिए, एक व्यक्ति वितरण के हिस्टोग्राम को सीखने की पूरी लागत चुकाए बिना परीक्षण कर सकता है।