📊 statistics

Dirichlet process mixtures of block $g$ priors for model selection and prediction in linear models

यह शोध पत्र रैखिक मॉडल चयन और पूर्वानुमान के लिए ब्लॉक $g$ प्रायों (priors) के डिरिचलेट प्रक्रिया मिश्रण (Dirichlet process mixtures) को एक नवीन ढांचे के रूप में प्रस्तावित करता है जो सुसंगत अनुमान प्राप्त करता है, सशर्त लिंडले विरोधाभास (conditional Lindley paradox) से बचता है, और भविष्यवक्ताओं के सहसंबंधों को ध्यान में रखते हुए विभेदक संकुचन (differential shrinkage) के माध्यम से महत्वपूर्ण प्रभावों का पता लगाने की क्षमता को बढ़ाता है।

मूल लेखक: Anupreet Porwal, Abel Rodriguez

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anupreet Porwal, Abel Rodriguez

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 रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में। आपके पास 100 संदिग्धों (प्रेडिक्टर्स) की एक सूची है, लेकिन आप जानते हैं कि उनमें से केवल कुछ ने ही अपराध किया है (जो महत्वपूर्ण हैं), जबकि बाकी निर्दोष राहगीर हैं। आपका लक्ष्य यह पता लगाना है कि किसने यह किया और उन्होंने कितनी बड़ी भूमिका निभाई।

सांख्यिकी (statistics) की दुनिया में, इसे मॉडल सिलेक्शन (Model Selection) कहा जाता है। आप एक परिणाम (जैसे मौसम या कोई बीमारी) की भविष्यवाणी करने के लिए सबसे अच्छा समीकरण बनाने की कोशिश कर रहे हैं, जिसमें सही चरों (variables) को चुना जाता है।

यह शोधपत्र (paper) जासूसों (सांख्यिकीविदों) के लिए इस मामले को सुलझाने का एक नया, स्मार्ट तरीका पेश करता है। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है।

1. पुरानी समस्या: "एक ही आकार का" श्रिंकेज (Shrinkage)

पारंपरिक रूप से, सांख्यिकीविदों ने $g$ -prior नामक एक विधि का उपयोग किया था। इसे एक विशाल, भारी कंबल की तरह समझें जो आपके सभी संदिग्धों को ढंक लेता है।

यह कैसे काम करता है: कंबल इस तरह बनाया गया है कि वह हर किसी के प्रभाव को "सिकोड़" (shrink) दे। यदि कोई संदिग्ध निर्दोष है, तो कंबल उसके प्रभाव को शून्य तक दबा देता है। यदि वे दोषी हैं, तो कंबल उन्हें ऊँचा खड़ा होने देता है।
खामी: यह कंबल बहुत कठोर है। यह मान लेता है कि सभी को एक ही मात्रा में सिकोड़ा जाता है।
"विरोधाभास" (The Paradox): यह शोधपत्र एक अजीब गड़बड़ी को उजागर करता है जिसे कंडीशनल लिंडले पैराडॉक्स (Conditional Lindley Paradox) कहा जाता है। कल्पना कीजिए कि एक संदिग्ध एक बहुत बड़ा, स्पष्ट दैत्य (एक विशाल प्रभाव) है। पुराना कंबल इस दैत्य से इतना भ्रमित हो जाता है कि वह बाकी सभी को शून्य तक दबा देने का निर्णय लेता है, भले ही वे वास्तव में दोषी हों लेकिन छोटे हों। यह ऐसा है जैसे जासूस एक विशाल व्यक्ति को देखकर यह मान ले कि बाकी सब अदृश्य हैं। इससे महत्वपूर्ण सुराग छूट जाते हैं।

2. पिछला समाधान: "पूर्व-समूहीकृत" ब्लॉक्स (Pre-Grouped Blocks)

कुछ साल पहले, शोधकर्ताओं ने ब्लॉक $g$ -priors का उपयोग करके इसे ठीक करने की कोशिश की। एक बड़े कंबल के बजाय, उन्होंने अलग-अलग समूहों के लिए छोटे कंबलों का उपयोग किया।

विचार: आप जासूस को बताते हैं, "समूह A 'बड़े लोग' हैं और समूह B 'छोटे लोग' हैं। उनके साथ अलग व्यवहार करें।"
समस्या: इसके लिए आपको जांच शुरू करने से पहले ही समूहों के बारे में जानना आवश्यक है। लेकिन वास्तविक जीवन में, आप नहीं जानते कि कौन किस समूह में है! यदि आप गलत अनुमान लगाते हैं (उदाहरण के लिए, आपने एक "छोटे आदमी" को "बड़े आदमी" के समूह में रख दिया), तो आपकी जांच विफल हो जाती है। यह बिना देखे मोजों के ढेर को "बाएं" और "दाएं" के ढेर में छाँटने की कोशिश करने जैसा है।

3. नया समाधान: "स्मार्ट, आकार बदलने वाला" जासूस

लेखक, अनुपप्रत पोरवाल और एबेल रोड्रिगेज, एक नई विधि प्रस्तावित करते हैं: डिरिचलेट प्रोसेस मिक्सचर ऑफ ब्लॉक $g$ -पriors (Dirichlet Process Mixtures of Block $g$ -priors)।

आइए इसे "स्मार्ट, आकार बदलने वाला जासूस" कहें।

यह कैसे काम करता है:

आप जासूस को संदिग्धों को कैसे समूहबद्ध करना है, यह बताने के बजाय, जासूस सबूतों को देखते हुए चलते-फिरते समूहों को सीखता है।

जादुई क्लस्टरिंग (Magic Clustering): कल्पना कीजिए कि जासूस के पास सबूतों को देखने की एक जादुई क्षमता है और वह कह सकता है, "अरे, संदिग्ध A और संदिग्ध B समान व्यवहार कर रहे हैं, इसलिए उन्हें एक ही 'श्रिंकेज समूह' में होना चाहिए। संदिग्ध C बिल्कुल अलग व्यवहार कर रहा है, इसलिए उसे अपना स्वयं का समूह मिलता है।"
पूर्व-समूहीकरण की आवश्यकता नहीं: आपको समूहों के बारे में पहले से जानने की आवश्यकता नहीं है। यह विधि डेटा के आधार पर स्वचालित रूप से "ब्लॉक्स" (समूहों) का पता लगा लेती है।
दोनों दुनियाओं का सर्वश्रेष्ठ:
- यह तब पुराने "ब्लॉक" तरीके की तरह कार्य करता है जब उसे स्पष्ट समूह मिलते हैं (बड़े लोगों और छोटे लोगों को अलग-अलग संभालना)।
- यह आधुनिक "कंटीन्यूअस श्रिंकेज" (Continuous Shrinkage) विधियों की तरह कार्य करता है (जो भविष्यवाणी के लिए बेहतरीन हैं) क्योंकि यह लचीलापन प्रदान करता है।
- महत्वपूर्ण रूप से: यह "विरोधाभास" से बचता है। भले ही एक विशाल संदिग्ध मौजूद हो, जासूस छोटे दोषियों को नहीं दबाता है। यह उन्हें दृश्यमान बनाए रखता है।

4. यह एक बड़ी बात क्यों है?

शोधपत्र ने इस नए जासूस का परीक्षण नकली डेटा (सिमुलेशन) और वास्तविक डेटा (जैसे लॉस एंजिल्स में ओजोन स्तर की भविष्यवाणी करना) दोनों का उपयोग करके पुराने तरीकों के विरुद्ध किया।

छोटे सुरागों को खोजना: यह नया तरीका उन "छोटे लेकिन महत्वपूर्ण" संदिग्धों को खोजने में बहुत बेहतर था जिन्हें पुराने तरीकों ने छोड़ दिया था।
गलत आरोपों से बचना: इसने बहुत अधिक निर्दोष लोगों पर आरोप नहीं लगाया (कम "टाइप I एरर")।
अराजक स्थितियों को संभालना: जब संदिग्ध आपस में बहुत समान थे (उच्च सहसंबंध, जैसे जुड़वां), तब भी नया तरीका अच्छी तरह से काम करता रहा, जबकि अन्य उलझ गए थे।

निष्कर्ष (The Bottom Line)

इस शोधपत्र को जासूस के टूलकिट को अपग्रेड करने के रूप में देखें।

पुराना टूल: एक कठोर पैमाना जो हर किसी को एक ही तरह से मापता है।
पिछला अपग्रेड: पैमानों का एक सेट जिसे आपको मैन्युअल रूप से चुनना पड़ता था (और यदि आपने गलत चुना, तो आप विफल हो गए)।
नया टूल: एक स्मार्ट, स्वयं-समायोजित लेजर स्कैनर जो स्वचालित रूप से यह पता लगा लेता है कि किसे सटीक रूप से मापने की आवश्यकता है और किसे अनदेखा किया जा सकता है, बिना आपके यह बताए कि इसे कैसे करना है।

यह सांख्यिकीविदों को बेहतर मॉडल बनाने, अधिक सटीक भविष्यवाणियां करने और उन तार्किक जालों से बचने की अनुमति देता है जिन्होंने दशकों से इस क्षेत्र को परेशान किया है। यह "सही चरों को चुनने" और "उनके मूल्यों का अनुमान लगाने" के बीच के अंतर को पाटता है, और दोनों कार्य एक साथ और प्रभावी ढंग से करता है।

यहाँ अनूपप्रीत पोरवाल और एबेल रोड्रिगेज के शोध पत्र "Dirichlet process mixtures of block g priors for model selection and prediction in linear models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लीनियर मॉडल्स (linear models) के लिए बेयसियन मॉडल चयन (Bayesian model selection) और भविष्यवाणी (prediction) की दो मौलिक चुनौतियों को संबोधित करता है:

कंडीशनल लिंडले पैराडॉक्स (The Conditional Lindley Paradox): पारंपरिक मिश्रण $g$ -priors (जैसे, लियांग एट अल., 2008) एक पैराडॉक्स से ग्रस्त होते हैं जहाँ, यदि एक बड़े मॉडल में गुणांकों (coefficients) का एक उपसमूह बहुत बड़ा हो जाता है (अन्य की तुलना में), तो बेयज़ फैक्टर (Bayes factor) गलत तरीके से छोटे (नेस्टेड) मॉडल का पक्ष लेता है, चाहे डेटा कुछ भी हो। ऐसा इसलिए होता है क्योंकि एक एकल वैश्विक श्रिंकेज पैरामीटर (global shrinkage parameter) $g$ के अनुमान को $g$ के बढ़ने के साथ बढ़ने के लिए मजबूर करता है, जिससे छोटे लेकिन महत्वपूर्ण गुणांक शून्य की ओर अत्यधिक श्रिंक (shrink) हो जाते हैं।
मॉडल चयन और निरंतर श्रिंकेज के बीच विच्छेद (The Disconnect Between Model Selection and Continuous Shrinkage):
- मॉडल चयन प्रायर (Model Selection Priors): (जैसे $g$ -priors) कोलरियलिटी (collinearity) को अच्छी तरह से संभालते हैं लेकिन इनके लिए अक्सर गुणांकों के समूहों (blocks) को पूर्व-निर्धारित करने की आवश्यकता होती है ताकि विभेदक श्रिंकेज (differential shrinkage) की अनुमति मिल सके, जो बिना पूर्व ज्ञान के अव्यावहारिक है।
- निरंतर श्रिंकेज प्रायर (Continuous Shrinkage Priors): (जैसे Horseshoe, Bayesian Lasso) विभेदक श्रिंकेज की अनुमति देते हैं और गणनात्मक रूप से कुशल होते हैं लेकिन वे आमतौर पर प्रेडिक्टर्स के बीच स्वतंत्रता मानते हैं या उच्च कोलरियलिटी के साथ संघर्ष करते हैं। वे सटीक शून्य (exact zero) पर शून्य प्रायिकता रखते हैं, जिससे वेरिएबल सिलेक्शन एक प्रत्यक्ष संभाव्यता अनुमान के बजाय एक पोस्ट-होक थ्रेशोल्डिंग अभ्यास बन जाता है।

लेखकों का लक्ष्य एक एकीकृत ढांचा विकसित करना है जो डेटा-संचालित विभेदक श्रिंकेज (data-driven differential shrinkage) की अनुमति दे सके, प्रेडिक्टर सहसंबंध (predictor correlation) को ध्यान में रख सके और बिना पूर्व-निर्धारित ब्लॉक संरचनाओं के कंडीशनल लिंडले पैराडॉक्स से बच सके।

2. कार्यप्रणाली (Methodology)

लेखक Dirichlet Process (DP) Mixtures of Block $g$ Priors का प्रस्ताव करते हैं।

मुख्य मॉडल (The Core Model)

एक लीनियर मॉडल $M_\gamma: y = 1_n\beta_0 + X_\gamma\beta_\gamma + \epsilon$ के लिए, रिग्रेशन गुणांक $\beta_\gamma$ को इस प्रकार प्रायर दिया जाता है:
$\beta_\gamma | g_1, \dots, g_{p_\gamma}, \sigma^2, \gamma \sim N\left(0, \sigma^2 G_\gamma^{1/2} \Sigma_\gamma G_\gamma^{1/2}\right)$
जहाँ:

$\Sigma_\gamma = (X_\gamma^T X_\gamma)^{-1}$ (कोलरियलिटी को ध्यान में रखने वाला मानक $g$ -prior स्ट्रक्चर)।
$G_\gamma = \text{diag}(g_1, \dots, g_{p_\gamma})$ स्थानीय श्रिंकेज पैरामीटर्स ( $g_j$ ) को समाहित करता है।
मानक $g$ -priors के विपरीत, जहाँ $g_1 = \dots = g_{p_\gamma} = g$ होता है, यहाँ $g_j$ को भिन्न होने की अनुमति है।

डिरिचलेट प्रोसेस मिश्रण (The Dirichlet Process Mixture)

स्थानीय श्रिंकेज पैरामीटर्स $g_j$ के लिए एक पैरामीट्रिक वितरण मानने के बजाय (जिसके लिए विशिष्ट टेल व्यवहार चुनने की आवश्यकता होती है) या उन्हें पूर्व-निर्धारित ब्लॉकों में फिक्स करने के बजाय, लेखक एक डिरिचलेट प्रोसेस (DP) का उपयोग करके $g_j$ के वितरण को नॉन-पैरामीट्रिक रूप से मॉडल करते हैं:
$H | \alpha, H_0 \sim \text{DP}(\alpha, H_0)$
जहाँ $H_0$ एक बेसलाइन वितरण (जैसे, बीटा-प्राइम या हाइपर- $g$ वितरण) है और $\alpha$ एक कंसन्ट्रेशन पैरामीटर है।

निहित क्लस्टरिंग (Implicit Clustering): क्योंकि DP के नमूने असतत (discrete) होते हैं, इसलिए $g_j$ स्वाभाविक रूप से क्लस्टर होंगे। एक ही क्लस्टर में असाइन किए गए गुणांक एक सामान्य श्रिंकेज फैक्टर साझा करेंगे।
डेटा-संचालित ब्लॉक्स (Data-Driven Blocks): गुणांकों का ब्लॉकों में विभाजन एक अज्ञात पैरामीटर है जिसे डेटा से निकाला जाता है। मॉडल यह सीखता है कि किन गुणांकों को उनके परिमाण और डेटा संरचना के आधार पर एक साथ श्रिंक किया जाना चाहिए।
ग्लोबल-लोकल संरचना (Global-Local Structure): बेसलाइन $H_0$ एक "ग्लोबल" श्रिंकर के रूप में कार्य करता है, जबकि DP क्लस्टरिंग "लोकल" विभेदक श्रिंकेज की अनुमति देता है।

गणनात्मक कार्यान्वयन (Computational Implementation)

लेखक एक मार्कोव चेन मोंटे कार्लो (MCMC) एल्गोरिदम विकसित करते हैं जिसके लिए न्यूनतम ट्यूनिंग की आवश्यकता होती है:

मॉडल स्पेस (Model Space): वेरिएबल्स को जोड़ने, हटाने या बदलने के लिए रैंडम वॉक मेटापोलिस एल्गोरिदम का उपयोग करता है।
पार्टीशन स्पेस (Partition Space): पार्टीशन इंडिकेटर्स $\xi$ (जो यह निर्धारित करते हैं कि कौन सा $g_j$ किस क्लस्टर का है) को अपडेट करने के लिए कोलैप्स्ड सैंपलर (Neal, 2000) का उपयोग करता है।
श्रिंकेज पैरामीटर्स (Shrinkage Parameters): अद्वितीय $\tilde{g}$ को अपडेट करने के लिए स्लाइस सैंपलर वेरिएंट का उपयोग करता है।
कंसन्ट्रेशन पैरामीटर (Concentration Parameter): रैंडम वॉक मेटापोलिस-हेस्टिंग्स स्टेप के माध्यम से $\alpha$ को अपडेट करता है।

3. प्रमुख योगदान (Key Contributions)

कंडीशनल लिंडले पैराडॉक्स का समाधान: लेखकों ने सिद्ध किया है कि DP मिश्रण ब्लॉक $g$ प्रायर कंडीशनल लिंडले पैराडॉक्स से बचते हैं। बड़े और छोटे गुणांकों को अलग-अलग क्लस्टरों (ब्लॉक्स) में विभाजित करने की अनुमति देकर, यह मॉडल छोटे गुणांकों के लिए श्रिंकेज फैक्टर को बड़े गुणांकों के बढ़ने से नीचे नहीं खींचता है।
साहित्य का एकीकरण (Unification of Literature): यह ढांचा निम्नलिखित के बीच के अंतर को पाटता है:
- मॉडल चयन प्रायर (Model Selection Priors): यह मानक $g$ -priors और सोम एट अल. (2014) के ब्लॉक $g$ प्रायर (जिन्हें निश्चित ब्लॉक्स की आवश्यकता होती है) का सामान्यीकरण करता है।
- निरंतर श्रिंकेज प्रायर (Continuous Shrinkage Priors): इसमें Horseshoe, Horseshoe-Pit और अन्य ग्लोबल-लोकल प्रायर विशेष मामलों के रूप में शामिल हैं (जब डिज़ाइन ऑर्थोगोनल हो या विशिष्ट सीमाएँ ली गई हों)।
सैद्धांतिक गुण (Theoretical Properties):
- सूचना निरंतरता (Information Consistency): यह दिखाया गया है कि बेयज़ फैक्टर्स सूचना-संगत (information consistent) हैं (जैसे-जैसे $N \to \infty$ , वे सही मॉडल की पहचान करते हैं)।
- मॉडल चयन निरंतरता (Model Selection Consistency): फिक्स्ड- $p$ शासन (regime) में यह प्रक्रिया सुसंगत है।
- अनुकूली विभाजन (Adaptive Partitioning): सैद्धांतिक परिणाम दिखाते हैं कि ऑर्थोगोनैलिटी के तहत, प्रायर उच्च प्रायिकता के साथ बहुत भिन्न परिमाण वाले गुणांकों को अलग-अलग क्लस्टरों में असाइन करता है।
गणनात्मक दक्षता (Computational Efficiency): प्रस्तावित MCMC एल्गोरिदम मजबूत है और इसके लिए केवल न्यूनतम एड-हॉक ट्यूनिंग की आवश्यकता होती है, जो इसे उच्च-आयामी सेटिंग्स के लिए व्यावहारिक बनाता है।

4. परिणाम (Results)

लेखक व्यापक सिमुलेशन और एक वास्तविक दुनिया के अनुप्रयोग (ओजोन डेटासेट) के माध्यम से पद्धति का मूल्यांकन करते हैं।

सिमुलेशन अध्ययन (Simulation Studies)

पैराडॉक्स का समाधान: कंडीशनल लिंडले पैराडॉक्स को दोहराने वाले सिमुलेशन में, प्रस्तावित विधि के बेयज़ फैक्टर्स बड़े गुणांकों के बढ़ने के साथ एक सकारात्मक निचली सीमा (lower bound) पर स्थिर हो जाते हैं, जबकि मानक $g$ -priors शून्य की ओर गिर जाते हैं (गलत मॉडल का पक्ष लेते हैं)।
पावर और टाइप I एरर (Power and Type I Error):
- छोटे गुणांक: DP ब्लॉक- $g$ प्रायर, विशेष रूप से उच्च-सहसंबंध सेटिंग्स ( $\eta=0.9$ ) में, छोटे लेकिन महत्वपूर्ण प्रभावों का पता लगाने में मानक $g$ -priors और एडेप्टिव लासो (Adaptive Lasso) की तुलना में काफी बेहतर प्रदर्शन करते हैं।
- गलत खोज (False Discoveries): जबकि निश्चित ब्लॉक्स वाली विधियाँ (जैसे सोम एट अल. $K=3$ के साथ) उच्च पावर प्राप्त करती हैं, वे भारी टाइप I एरर (ओवरफिटिंग) से ग्रस्त होती हैं क्योंकि वे शून्य गुणांकों को कम श्रिंकेज वाले "छोटे" ब्लॉक में धकेल देती हैं। DP विधि इस संरचना को सीखकर टाइप I एरर को कम रखते हुए उच्च पावर बनाए रखती है।
- तुलना: DP विधि सहसंबंध वाले "लार्ज $p$ " परिदृश्यों में स्टेट-ऑफ-द-आर्ट निरंतर श्रिंकेज प्रायर (Horseshoe, HSM) और ग्लोबल-लोकल $g$ -priors की तुलना में तुलनीय या बेहतर प्रदर्शन करती है।
भविष्यवाणी (Prediction): विधि प्रतिस्पर्धी प्रेडिक्शन मीन स्क्वेर्ड एरर (MSE) प्राप्त करती है, जो अक्सर मानक $g$ -priors और एडेप्टिव लासो से बेहतर होती है।

वास्तविक डेटा अनुप्रयोग (Ozone Dataset)

इसे 8 मौसम संबंधी वेरिएबल्स और उनके इंटरैक्शन/स्क्वायर (44 प्रेडिक्टर्स तक) वाले डेटासेट पर लागू किया गया।
वेरिएबल सिलेक्शन: DP विधि ने वेरिएबल्स का एक संक्षिप्त सेट (मोड 7 वेरिएबल्स पर) पहचाना, जो प्रमुख प्रेडिक्टर्स (जैसे तापमान, इन्वर्जन हाइट) पर अन्य बेयसियन विधियों के साथ सहमत था, लेकिन गैर-रेखीय पदों (non-linear terms) को संभालने में भिन्न था (ह्यूमिडिटी के लीनियर और क्वाड्रेटिक दोनों पदों को मध्यम प्रायिकता दी, जबकि Horseshoe ने लीनियर टर्म को बाहर कर दिया था)।
क्लस्टरिंग: पोस्टीरियर वितरण ने दिखाया कि मॉडल ने स्वाभाविक रूप से वेरिएबल्स को 1–3 ब्लॉक्स में समूहित किया, जो श्रिंकेज की डेटा-संचालित प्रकृति को प्रदर्शित करता है।

5. महत्व (Significance)

यह शोध पत्र मॉडल चयन और निरंतर श्रिंकेज के बीच लंबे समय से चले आ रहे तनाव का एक एकीकृत, मजबूत और स्वचालित समाधान प्रदान करता है।

व्यावहारिक प्रभाव: यह शोधकर्ताओं के लिए श्रिंकेज के लिए ब्लॉक संरचनाओं को मैन्युअल रूप से निर्दिष्ट करने की आवश्यकता को समाप्त करता है, जो कि बिना पूर्व ज्ञान के अक्सर असंभव कार्य है।
सैद्धांतिक प्रभाव: यह सामान्य सेटिंग में कंडीशनल लिंडले पैराडॉक्स को हल करता है, यह सुनिश्चित करता है कि बड़े प्रभावों की उपस्थिति छोटे, वैज्ञानिक रूप से महत्वपूर्ण प्रभावों को छिपा न सके।
लचीलापन: श्रिंकेज पैरामीटर्स के लिए नॉन-पैरामीट्रिक प्रायर का उपयोग करके, विधि डेटा के स्पैरसिटी (sparsity) स्तर के अनुकूल होती है, और उपयुक्त टेल व्यवहार और क्लस्टरिंग संरचना को स्वचालित रूप से सीखती है।

संक्षेप में, प्रस्तावित Dirichlet Process Mixtures of Block $g$ Priors, सह-संबंधित प्रेडिक्टर्स को संभालने के लिए आवश्यक मजबूती और विभेदक श्रिंकेज की आवश्यकता के बीच संतुलन बनाते हुए, उच्च-आयामी लीनियर मॉडल चयन के लिए एक बेहतर विकल्प प्रदान करते हैं।