🤖 machine learning

Reducing Biases in Record Matching Through Scores Calibration

यह शोध पत्र रिकॉर्ड मिलान में स्कोर पूर्वाग्रह को मापने के लिए एक थ्रेशोल्ड-स्वतंत्र मीट्रिक प्रस्तुत करता है और दो मॉडल-अज्ञेय (मॉडल-एग्नोस्टिक) पोस्ट-प्रोसेसिंग विधियों, Calib और C-Calib का प्रस्ताव देता है, जो अंतर्निहित मॉडलों को पुन: प्रशिक्षित किए बिना ऑप्टिमल ट्रांसपोर्ट के माध्यम से समूह-वार स्कोर वितरण को संरेखित करके डेमोग्राफिक पैरिटी और इक्वलाइज्ड ऑड्स विसंगतियों को प्रभावी ढंग से कम करते हैं।

मूल लेखक: Mohammad Hossein Moslemi, Mostafa Milani

प्रकाशित 2026-02-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Hossein Moslemi, Mostafa Milani

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 विशाल कंपनी में एक हायरिंग मैनेजर हैं। आपके पास हजारों रेज़्यूमे (रिकॉर्ड्स) हैं और आपको उन्हें ढूंढना है जो एक ही व्यक्ति के हैं (मैचिंग)। इसे करने के लिए, आप एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग करते हैं जो हर जोड़ी के रेज़्यूमे को 0 और 100 के बीच एक "मैच स्कोर" (Match Score) देता है।

90-100: "ये निश्चित रूप से एक ही व्यक्ति हैं!"
0-10: "ये पूरी तरह से अलग लोग हैं।"
40-60: "मैं पक्का नहीं कह सकता, शायद?"

आमतौर पर, मैनेजर एक कटऑफ लाइन (threshold) तय करता है। यदि स्कोर 50 से ऊपर है, तो वे कहते हैं "मैच!" यदि यह 50 से नीचे है, तो वे कहते हैं "नो मैच।"

समस्या: "छिपी हुई" नाइंसाफी

यह पेपर तर्क देता है कि हम निष्पक्षता (fairness) को गलत तरीके से देख रहे हैं। हम यह जांच रहे हैं कि क्या कंप्यूटर उस विशिष्ट 50-पॉइंट कटऑफ पर पुरुषों और महिलाओं के लिए समान संख्या में "मैच" निर्णय लेता है।

लेकिन लेखक कहते हैं: "यह एक शेफ को केवल इस आधार पर आंकने जैसा है कि क्या उन्होंने ठीक उसी समय नमक डाला जब आपने सूप चखा था, इस बात को नजरअंदाज करते हुए कि शायद उन्होंने पूरे सप्ताह के लिए पूरे बर्तन में बहुत अधिक नमक डाल दिया था।"

कंप्यूटर स्कोर दे सकता है जो सूक्ष्म रूप से पक्षपाती हो सकते हैं।

ग्रुप A (जैसे, पुरुष) के लिए, एक "शायद" वाला मैच 55 का स्कोर पा सकता है।
ग्रुप B (जैसे, महिलाएं) के लिए, बिल्कुल वही "शायद" वाला मैच 45 का स्कोर पा सकता है।

यदि आपका कटऑफ 50 है, तो ग्रुप A को काम पर रखा जाता है, और ग्रुप B को खारिज कर दिया जाता है। भले ही आप कटऑफ को 40 या 60 में बदल दें, अंतर बना रहता है। स्कोर स्वयं ही अनफेयर हैं, भले ही अंतिम "हाँ/नहीं" का निर्णय एक विशिष्ट क्षण में ठीक लगे।

समाधान: "स्कोर कैलिब्रेटर" (Score Calibrator)

लेखक एक तरीका प्रस्तावित करते हैं जिससे वे कंप्यूटर द्वारा अपना काम पूरा करने के बाद उन स्कोर को ठीक कर सकें, बिना कंप्यूटर को फिर से प्रशिक्षित किए या "सच्चे उत्तरों" (जो अक्सर छिपे होते हैं) को जाने बिना। वे इसे कैलिब्रेशन (Calibration) कहते हैं।

इसे एक साउंड इंजीनियर की तरह समझें जो एक गाना मिक्स कर रहा है। मूल रिकॉर्डिंग (स्कोर) में बास (ग्रset A) बहुत तेज़ है और ट्रेबल (ग्रुप B) बहुत धीमा है। इंजीनियर गाना दोबारा नहीं लिखता; वह बस आवाज़ों को संतुलित करने के लिए एक मिक्सर का उपयोग करता है ताकि दोनों समूह समान रूप से स्पष्ट सुनाई दें।

वे इसके लिए दो उपकरण प्रदान करते हैं:

1. Calib: "वॉल्यूम बैलेंसर" (सामान्य निष्पक्षता के लिए)

यह टूल डेमोग्राफिक पैरिटी (Demographic Parity) को ठीक करता है। यह पूछता है: "क्या दोनों समूहों को स्कोर की एक ही रेंज मिलती है?"

यह कैसे काम करता है: कल्पना करें कि आपके पास लाल कंचों (ग्रुप A) और नीले कंचों (ग्रुप B) का एक बैग है। लाल कंचे ज्यादातर भारी (उच्च स्कोर) हैं, और नीले कंचे ज्यादातर हल्के (कम स्कोर) हैं।
टूल एक "टारगेट बैग" (एक गणितीय औसत जिसे वॉसरस्टीन बैरीसेंटर कहा जाता है) बनाता है जो वजन के एक आदर्श, संतुलित मिश्रण का प्रतिनिधित्व करता है।
इसके बाद यह लाल कंचों को धीरे से नीचे और नीले कंचों को ऊपर की ओर धकेलता है जब तक कि दोनों बैगों का वजन वितरण (distribution) बिल्कुल एक जैसा न हो जाए।
परिणाम: अब, लाल कंचे के लिए एक "भारी" स्कोर का वही अर्थ है जो नीले कंचे के लिए एक "भारी" स्कोर का है। खेल का मैदान अब बराबर है।

2. C-Calib: "कॉन्टेक्स्ट-अवेयर बैलेंसर" (विशिष्ट निष्पक्षता के लिए)

कभी-कभी, आपको विशिष्ट स्थितियों के भीतर निष्पक्ष होने की आवश्यकता होती है। यह इक्वल अपॉर्चुनिटी (Equal Opportunity) है।

उदाहरण: "यदि कोई वास्तव में योग्य (एक सच्चा मैच) है, तो उसे उच्च स्कोर मिलना चाहिए, चाहे उसका समूह कुछ भी हो।"
समस्या: कंप्यूटर को यह नहीं पता होता कि कौन "वास्तव में योग्य" (सच्चा लेबल) है जब वह केवल कैलिब्रेट कर रहा होता है।
समाधान: C-Calib एक जासूस की तरह है। यह अनुमान लगाता है कि कौन योग्य है (जैसे, "यदि स्कोर उच्च है, तो मैं अनुमान लगाऊंगा कि वे योग्य हैं")।
इसके बाद यह कंचों को दो ढेरों में विभाजित करता है: "संभावित योग्य" और "संभावित रूप से अयोग्य"।
यह प्रत्येक ढेर के अंदर स्कोर को अलग-अलग संतुलित करता है। यह सुनिश्चित करता है कि "संभावित योग्य" समूह के बीच, पुरुषों और महिलाओं को समान उच्च स्कोर मिले। यह वही काम "संभावित रूप से अयोग्य" समूह के लिए भी करता है।

यह क्यों महत्वपूर्ण है

पेपर ने वास्तविक दुनिया के डेटा (जैसे शैक्षणिक शोध पत्रों या उत्पाद लिस्टिंग को मिलाने) पर इसका परीक्षण किया। उन्होंने पाया कि:

छिपा हुआ पूर्वाग्रह वास्तविक है: यहाँ तक कि सबसे स्मार्ट, आधुनिक AI मॉडल भी अलग-अलग समूहों के प्रति पक्षपाती स्कोर देते हैं, भले ही वे एक एकल कटऑफ बिंदु पर निष्पक्ष दिखते हों।
समाधान काम करता है: उनके "कैलिब्रेटर" टूल्स का उपयोग करके, वे इस नाइंसाफी को काफी हद तक ठीक कर सके।
कोई नुकसान नहीं हुआ: महत्वपूर्ण रूप से, स्कोर को ठीक करने से कंप्यूटर अपने काम में खराब नहीं हुआ। सटीकता लगभग वैसी ही रही। यह एक गिटार को ट्यून करने जैसा है: आप गाने को बदले बिना उसे निष्पक्ष बनाते हैं।

मुख्य निष्कर्ष

हम अक्सर AI को एक साधारण "पास/फेल" टेस्ट से आंकते हैं। लेकिन वास्तविक दुनिया में, AI हमें कॉन्फिडेंस स्कोर देता है (जैसे मौसम का पूर्वानुमान कहना कि "70% बारिश की संभावना है")। यदि वह पूर्वानुमान कुछ विशेष इलाकों के प्रति पक्षपाती है, तो "पास/फेल" टेस्ट इसे मिस कर सकता है।

यह पेपर हमें उस पूर्वानुमान को ही ट्यून करने का एक नया तरीका देता है, यह सुनिश्चित करते हुए कि "70%" का अर्थ सभी के लिए समान हो, चाहे वे कोई भी हों। यह केवल अंतिम निर्णय को नहीं, बल्कि संख्याओं को निष्पक्ष बनाने के बारे में है।

यहाँ मोहम्मद हुसैन मोस्लेमी और मोस्तफा मिलानी के शोध पत्र "Reducing Biases in Record Matching Through Scores Calibration" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

रिकॉर्ड मैचिंग (या एंटिटी रेजोल्यूशन) विभिन्न डेटासेट्स से उन रिकॉर्ड्स की पहचान करने का कार्य है जो एक ही वास्तविक दुनिया की इकाई (entity) को संदर्भित करते हैं। हालांकि इसे अक्सर एक बाइनरी क्लासिफिकेशन समस्या (मैच बनाम नॉन-मैच) के रूप में फ्रेम किया जाता है, व्यावहारिक सिस्टम आमतौर पर हार्ड बाइनरी लेबल के बजाय एक रियल-वैल्यूड मैचिंग स्कोर (जैसे, मैच होने की संभावना) आउटपुट करते हैं। इन स्कोर्स का उपयोग थ्रेशोल्डिंग, रैंकिंग या ह्यूमन-इन-द-लूप समीक्षा के लिए किया जाता है।

मुख्य मुद्दा:
रिकॉर्ड मैचिंग में मौजूदा फेयरनेस रिसर्च मुख्य रूप से एक निश्चित थ्रेशोल्ड पर बाइनरी परिणामों (जैसे, $\theta=0.5$ पर डेमोग्राफिक पैरिटी) पर केंद्रित है। लेखक तर्क देते हैं कि यह दृष्टिकोण अपर्याप्त है क्योंकि:

थ्रेशोल्ड निर्भरता (Threshold Dependence): एक मॉडल एक थ्रेशोल्ड पर निष्पक्ष (fair) दिखाई दे सकता है लेकिन दूसरे थ्रेशोल्ड पर महत्वपूर्ण पूर्वाग्रह (bias) प्रदर्शित कर सकता है।
छिपे हुए विषमताएं (Hidden Disparities): AUC जैसे एग्रीगेटेड मेट्रिक्स समूहों (जैसे, अल्पसंख्यक बनाम बहुसंख्यक) के बीच स्कोर वितरण में व्यवस्थित अंतर को छिपा सकते हैं। एक मॉडल के दो समूहों के लिए समान AUC हो सकते हैं, लेकिन वह पूरे वितरण में अल्पसंख्यक समूह के लिए व्यवस्थित रूप से कम स्कोर उत्पन्न कर सकता है, जिससे अनफेयर डाउनस्ट्रीम निर्णय हो सकते हैं।
स्कोर की गुणवत्ता (Score Quality): उन अनुप्रयोगों में जहाँ स्कोर का सीधे उपयोग किया जाता है (जैसे, शीर्ष उम्मीदवारों की रैंकिंग), स्कोर की गुणवत्ता में विसंगतियां स्पष्ट थ्रेशोल्डिंग के बिना भी अनुचित व्यवहार का कारण बनती हैं।

लक्ष्य: इस शोध पत्र का लक्ष्य एक थ्रेशोल्ड-स्वतंत्र स्कोर बायस (score bias) की अवधारणा को परिभाषित करना और मूल मॉडल को पुन: प्रशिक्षित किए बिना इन स्कोर्स को कैलिब्रेट करने के तरीके प्रस्तावित करना है।

2. कार्यप्रणाली (Methodology)

लेखक एक दो-चरणीय दृष्टिकोण प्रस्तावित करते हैं: एक नया बायस मेट्रिक परिभाषित करना और मॉडल-एग्नोस्टिक पोस्ट-प्रोसेसिंग कैलिब्रेशन एल्गोरिदम विकसित करना।

A. थ्रेशोल्ड-स्वतंत्र बायस मेट्रिक (Threshold-Independent Bias Metric)

यह शोध पत्र मानक फेयरनेस मानदंडों (डेमोग्राफिक पैरिटी - DP, इक्वल अपॉर्चुनिटी - EO, इक्वलाइज्ड ऑड्स - EOD) को बाइनरी आउटपुट से निरंतर स्कोर फंक्शन तक विस्तारित करता है।

परिभाषा: एक स्कोर फंक्शन $s$ का एक मेट्रिक $\Phi$ (जैसे, TPR, PR) के संबंध में बायस, सभी संभावित थ्रेशोल्ड पर समूह-वार मेट्रिक्स के बीच पूर्ण अंतर के इंटीग्रल के रूप में परिभाषित किया गया है:
$\text{bias}(s, \Phi) = \int_{0}^{1} |\Phi_b(s, \theta) - \Phi_a(s, \theta)| \, d\theta$
व्याख्या: यह सभी थ्रेशोल्ड पर प्रदर्शन वक्रों (जैसे, थ्रेशोल्ड बनाम TPR) के बीच संचयी क्षेत्र (cumulative area) को मापता है। 0 का मान सभी थ्रेशोल्ड पर पूर्ण निष्पक्षता को दर्शाता है।

B. कैलिब्रेशन एल्गोरिदम (Calibration Algorithms)

लेखक दो मॉडल-एग्नोस्टिक पोस्ट-प्रोसेसिंग विधियाँ प्रस्तावित करते हैं जिन्हें केवल एक अनलेबल कैलिब्रेशन सेट (या स्वयं क्वेरी सेट) और मूल स्कोर फंक्शन की आवश्यकता होती है।

1. Calib (डेमोग्राफिक पैरिटी के लिए)

उद्देश्य: DP को संतुष्ट करने के लिए अल्पसंख्यक और बहुसंख्यक समूहों के स्कोर वितरण को एक सामान्य लक्षित वितरण (target distribution) के साथ संरेखित करना।
तंत्र: यह वॉसरस्टीन बैरीसेंटर (Wasserstein Barycenter) संरेखण का उपयोग करता है।
- यह दोनों समूहों के स्कोर वितरण को प्रायिकता मापों (probability measures) के रूपas मानता है।
- यह एक बैरीसेंटर वितरण $\tilde{P}$ की गणना करता है जो दोनों समूह वितरणों के औसत वॉसरस्टीन दूरी को न्यूनतम करता है।
- यह एक क्वांटाइल-आधारित ऑप्टिमल ट्रांसपोर्ट मैप का उपयोग करके व्यक्तिगत स्कोर्स को इस बैरीसेंटर पर मैप करता है।
- फॉर्मूला: $\tilde{Q}(p) = \alpha Q_a(p) + (1-\alpha)Q_b(p)$ , जहाँ $Q$ क्वांटाइल फंक्शन है और $\alpha$ समूह का अनुपात है।
प्रमुख विशेषता: यह लेबल-अग्नोस्टिक (ग्राउंड-ट्रुथ मैच लेबल की आवश्यकता नहीं) है और रॉ स्कोर वितरण पर काम करता है।

2. C-Calib (इक्वल अपॉर्चुनिटी / इक्वलाइज्ड ऑड्स के लिए)

उद्देश्य: लेबल-डिपेंडेंट फेयरनेस मानदंडों (EO/EOD) को संतुष्ट करना, जिसके लिए समूहों के बीच एरर रेट्स (TPR/FPR) को संरेखित करने की आवश्यकता होती है।
चुनौती: कैलिब्रेशन के दौरान ग्राउंड-ट्रुथ लेबल्स ( $Y$ ) अक्सर उपलब्ध नहीं होते हैं।
तंत्र: कंडीशनल कैलिब्रेशन (Conditional Calibration)।
- यह पहले एक डिसीजन थ्रेशोल्ड $\gamma$ का अनुमान लगाता है (स्कोर वितरण पर MeanShift जैसी अनसुपरवाइज्ड विधि का उपयोग करके) ताकि छद्म-लेबल ( $\hat{Y}$ ) उत्पन्न किए जा सकें।
- यह डेटा को इन प्रेडिक्टेड लेबल्स के आधार पर स्ट्रेटा (strata) में विभाजित करता है (प्रेडिक्टेड मैच और प्रेडिक्टेड नॉन-मैच)।
- यह प्रत्येक स्ट्रेटा के भीतर अलग से Calib एल्गोरिदम लागू करता है।
- यह सुनिश्चित करता है कि प्रेडिक्टेड लेबल के सापेक्ष (conditional) अल्पसंख्यक और बहुसंख्यक समूहों के स्कोर वितरण संरेखित हों, जिससे EO और EOD का अनुमान लगाया जा सके।

3. प्रमुख योगदान (Key Contributions)

नई फेयरनेस फॉर्मूलेशन: रिकॉर्ड मैचिंग स्कोर्स के लिए एक नया थ्रेशोल्ड-स्वतंत्र बायस मेट्रिक पेश किया, जो उन सूक्ष्म विसंगतियों को पकड़ता है जिन्हें सिंगल-थ्रेशोल्ड या AUC-आधारित मूल्यांकन मिस कर देते हैं।
Calib एल्गोरिदम: डेमोग्राफिक पैरिटी (DP) बायस को समाप्त करने के लिए वॉसरस्टीन बैरीसेंटर का उपयोग करने वाला एक मॉडल-एग्नोस्टिक पोस्ट-प्रोसेसिंग मेथड। इसका सैद्धांतिक विश्लेषण सिद्ध करता है कि यह एक पैरामेट्रिक दर ( $O(n^{-1/2})$ ) पर इष्टतम फेयर स्कोर की ओर अभिसरित (converge) होता है।
C-Calib एल्गोरिदम: Calib का एक विस्तार जो लेबल-डिपेंडेंट फेयर्स (EO/EOD) को हैंडल करता है, जो अनुमानित लेबल्स पर आधारित है। पेपर में सैद्धांतिक सीमाएँ (bounds) दी गई हैं जो दिखाती हैं कि फेयरनेस सैंपल साइज और लेबल एस्टीमेशन एरर पर कैसे निर्भर करती है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित किया गया कि अत्याधुनिक डीप लर्निंग मैचर्स भी महत्वपूर्ण स्कोर बायस दिखाते हैं, भले ही वे विशिष्ट थ्रेशोल्ड पर निष्पक्ष दिखें, और प्रस्तावित विधियाँ न्यूनतम सटीकता हानि के साथ इस बायस को प्रभावी ढंग से कम करती हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने पांच डीप लर्निंग मैचर्स (DeepMatch, HierGAT, DITTO, आदि) का उपयोग करके मानक रिकॉर्ड मैचिंग बेंचमार्क (जैसे, DBLP-ACM, AMZ-GOO, FOD-ZAG) पर अपने तरीकों का मूल्यांकन किया।

बायस डिटेक्शन: पारंपरिक मेट्रिक्स (निश्चित थ्रेशोल्ड पर DP/EO) अक्सर कम बायस दिखाते हैं, जबकि प्रस्तावित थ्रेशोल्ड-स्वतंत्र मेट्रिक्स पर्याप्त छिपी हुई विसंगतियों को प्रकट करते हैं (जैसे, थ्रेशोल्ड के आधार पर बायस मान 0% से 14% तक भिन्न होते हैं)।
बायस रिडक्शन:
- Calib: सभी डेटासेट्स और मॉडल्स पर DP बायस को सफलतापूर्वक शून्य के करीब ले आया।
- C-Calib: EO और EOD मेट्रिक्स पर Calib से काफी बेहतर प्रदर्शन किया। उदाहरण के लिए, AMZ-GOO डेटासेट पर, C-Calib ने EOD को ~30% (Calib के बाद) से घटाकर ~7% कर दिया, जबकि अकेले Calib प्रभावी ढंग से EOD को कम करने में विफल रहा।
एक्यूरेसी प्रिजर्वेशन (जोखिम):
- कैलिब्रेशन ने मूल स्कोर्स में न्यूनतम विरूपण (distortion) पेश किया।
- AUC (Area Under Curve) में गिरावट नगण्य थी (आमतौर पर < 1.0%, अक्सर < 0.3%), जो दर्शाता है कि मैचर्स की रैंकिंग गुणवत्ता और उपयोगिता सुरक्षित रही।
- C-Calib ने आमतौर पर Calib की तुलना में AUC प्रिजर्वेशन में बेहतर स्थिरता दिखाई।
डेटासेट संवेदनशीलता: ये विधियाँ तब सबसे अच्छा काम करती हैं जब कैलिब्रेशन डेटासेट $D$ , क्वेरी डेटा के वितरण से मेल खाता है। जब टेस्ट वितरण थोड़ा भिन्न होता है, तो ट्रेनिंग डेटा को $D$ के रूप में उपयोग करने पर बायस रिडक्शन कम प्रभावी होता है।

5. महत्व और प्रभाव (Significance and Impact)

बाइनरी फेयरनेस से परे: यह कार्य रिकॉर्ड मैचिंग में फेयरनेस के प्रतिमान को बाइनरी डिसीजन फेयरनेस से बदलकर स्कोर डिस्ट्रीब्यूशन फेयरनेस की ओर ले जाता है, जो रैंकिंग, थ्रेशोल्ड ट्यूनिंग या ह्यूमन रिव्यू पर निर्भर सिस्टमों के लिए महत्वपूर्ण है।
व्यावहारिक परिनियोजन (Practical Deployment): प्रस्तावित विधियाँ पोस्ट-प्रोसेसिंग और मॉडल-एग्नोस्टिक हैं। उन्हें मॉडल के आंतरिक मापदंडों या ट्रेनिंग डेटा तक पहुँच की आवश्यकता नहीं है, जिससे वे प्रोप्रायटरी ब्लैक-बॉक्स मॉडल्स और मौजूदा प्रोडक्शन सिस्टम के लिए अत्यधिक लागू योग्य बन जाती हैं।
सैद्धांतिक कठोरता: पेपर बायस और रिस्क (स्कोर डिस्टॉर्शन) के अभिसरण के संबंध में औपचारिक सैद्धांतिक गारंटी प्रदान करता है, जो ऑप्टिमल ट्रांसपोर्ट थ्योरी में इसके अनुभवजन्य सफलता को पुख्ता करता है।
लेबल की कमी को संबोधित करना: C-Calib दृष्टिकोण उन स्थितियों में लेबल-डिपेंडेंट फेयरनेस (EO/EOD) प्राप्त करने के लिए एक अभिनव समाधान प्रदान करता है जहाँ ग्राउंड-ट्रुथ लेबल्स उपलब्ध नहीं होते हैं, जो वास्तविक दुनिया की एंटिटी रेजोल्यूशन में एक सामान्य बाधा है।

संक्षेप में, यह शोध पत्र रिकॉर्ड मैचिंग स्कोर्स में सूक्ष्म, थ्रेशोल्ड-स्वतंत्र बायस का पता लगाने और उन्हें कम करने के लिए एक मजबूत ढांचा प्रदान करता है, जिससे यह सुनिश्चित होता है कि निष्पक्षता केवल एक एकल कट-ऑफ पॉइंट पर ही नहीं, बल्कि निर्णय लेने की पूरी प्रक्रिया में बनी रहे।