On the optimality of coin-betting for mean estimation

तकनीकी सारांश: माध्य अनुमान (mean estimation) के लिए कॉइन-बेटिंग की इष्टतमता पर

समस्या विवरण (Problem Statement)
यह शोध पत्र एक सीमित वास्तविक यादृच्छिक चर (bounded real random variable) के माध्य के अनुक्रमिक परीक्षण (sequentially testing) और विश्वास अनुक्रमों (confidence sequences) के निर्माण की समस्या को संबोधित करता है। जबकि हालिया एल्गोरिद्मिक दृष्टिकोणों ने सीमित चरों के लिए सटीक विश्वास अनुक्रम प्राप्त करने के लिए "कॉइन-बेटिंग" (coin-betting) खेलों का उपयोग किया है (Orabona and Jun, 2023; Waudby-Smith and Ramdas, 2023), इस विशिष्ट फॉर्मूलेशन के पीछे की सैद्धांतिक पुष्टि कि यह क्यों इष्टतम है, मुख्य रूप से अनुमानी तर्कों (heuristic arguments) पर निर्भर रही है। यह शोध पत्र इस दावे को कठोरता से औपचारिक रूप देने का प्रयास करता है कि कॉइन-बेटिंग दृष्टिकोण इस विशिष्ट परीक्षण समस्या के लिए सभी e-variable-आधारित ढांचों के बीच सबसे मजबूत गारंटी प्रदान करता है।

कार्यप्रणाली और ढांचा (Methodology and Framework)
लेखक e-variables और e-processes के संदर्भ में इष्टतमता (optimality) पर एक नया दृष्टिकोण प्रस्तुत करते हैं। एकल e-variable (जैसे, एक विशिष्ट विकल्प के विरुद्ध log-optimality) की इष्टतमता पर ध्यान केंद्रित करने के बजाय, यह शोध पत्र e-variables के समुच्चयों (sets of e-variables या e-classes) के स्तर पर इष्टतमता को परिभाषित करता है।

मुख्य परिभाषाएँ शामिल हैं:

• मेजरिसाइज़िंग e-class (Majorising e-class): एक e-class $\mathcal{E}$, $\mathcal{E}'$ को मेजरिसाइज़ करता है यदि प्रत्येक $E' \in \mathcal{E}'$ के लिए, एक $E \in \mathcal{E}$ मौजूद हो जो $E'$ पर बिंदुवार (pointwise) प्रभुत्व रखता हो (अर्थात, सभी $x$ के लिए $E(x) \geq E'(x)$)।
• इष्टतम e-class (Optimal e-class): एक मेजरिसाइज़िंग e-class जो अन्य सभी मेजरिसाइज़िंग e-classes के भीतर समाहित है। यदि यह अस्तित्व में है, तो यह सभी अधिकतम (maximal) e-variables के सेट के अनुरूप होता है (वे जिन्हें किसी अन्य e-variable द्वारा सख्ती से डोमिनेट नहीं किया जाता है)।
• एडमिसिबिलिटी संबंध (Admissibility Connection): यह शोध पत्र परीक्षणों के एक शास्त्रीय सांख्यिकीय समस्या (Lehmann and Romano, 2022) की पहचान करने के लिए एक अनुकूलन है, जहाँ अधिकतम e-variables, एडमिसिबल टेस्ट (admissible tests) के अनुरूप होते हैं।

विश्लेषण तीन चरणों में आगे बढ़ता है:

1. एकल-राउंड e-variables: वे परीक्षण जहाँ प्रेक्षण स्वतंत्र और समान रूप से वितरित (i.i.d.) हैं जिनका एक निश्चित माध्य है।
2. बहु-राउंड e-variables: एक निश्चित क्षितिज $T$ के लिए परीक्षण जहाँ सशर्त माध्य (conditional mean) निश्चित है, लेकिन प्रेक्षणों के बीच निर्भरता की अनुमति है।
3. E-processes: निश्चित सशर्त माध्य पर आधारित e-processes के साथ अनुक्रमिक परीक्षण का विस्तार।

मुख्य परिणाम (Key Results)

1. एकल-राउंड e-variables के लिए इष्टतमता (Theorem 1):
   इस पर कि $[0, 1]$ पर एक वितरण का माध्य $\mu$ है, शोध पत्र यह सिद्ध करता है कि कॉइन-बेटिंग e-class $\mathcal{E}^{cb}_\mu = \{x \mapsto 1 + \beta(x-\mu) : \beta \in [(\mu-1)^{-1}, \mu^{-1}]\}$ एकमात्र अद्वितीय इष्टतम e-class है।

   • प्रमाण का संक्षिप्त विवरण (Proof Sketch): लेखक एक फलन $F_\mu$ का निर्माण करते हैं जो सभी वैध e-variables पर बिंदुवार प्रभुत्व रखता है। यह दिखाया गया है कि कॉइन-बेटिंग वर्ग के बाहर का कोई भी e-variable कॉइन-बेटिंग वर्ग के भीतर के किसी तत्व द्वारा सख्ती से डोमिनेट किया जाता है। इसके विपरीत, कॉइन-बेटिंग वर्ग का प्रत्येक तत्व अधिकतम (maximal) है।
   • निहितार्थ: खिलाड़ी को कॉइन-बेटिंग वर्ग तक सीमित करने से सांख्यिकीय शक्ति (statistical power) का त्याग नहीं होता है; कॉइन-बेटिंग e-variable का उपयोग करने वाले किसी भी रणनीति को एक सामान्य e-variable का उपयोग करने वाली रणनीति द्वारा मैच या बेहतर किया जा सकता है।

2. बहु-राउंड e-variables के लिए इष्टतमता (Theorem 2):
   जब $H^T_\mu$ की जांच की जाती है कि लंबाई $T$ का एक अनुक्रम का एक निश्चित सशर्त माध्य $\mu$ है (मनमानी निर्भरता संरचनाओं की अनुमति के साथ), तो T-राउंड कॉइन-बेटिंग e-variables (एकल-राउंड कॉइन-बेटिंग फलनों के उत्पाद) का वर्ग इष्टतम e-class है।

   • नोट: यह परिणाम निश्चित सशर्त माध्यों के लिए मान्य है लेकिन विफल हो जाता है यदि परिकल्पना को i.i.d. प्रेक्षणों तक सीमित किया जाता है। शोध पत्र दर्शाता है कि i.i.d. परिकल्पनाओं के लिए, अधिकतम e-variables का सेट कॉइन-बेटिंग द्वारा उत्पन्न सेट से बड़ा है, जिसका अर्थ है कि i.i.d. सेटिंग में कॉइन-बेटिंग इष्टतम नहीं है।

3. E-Processes के लिए इष्टतमता (Theorem 3):
   निश्चित सशर्त माध्य पर e-processes (किसी भी स्टॉपिंग टाइम के लिए वैध प्रक्रियाएं) के संदर्भ में विस्तार करते हुए, कॉइन-बेटिंग e-process क्लास (कॉइन-बेटिंग फलनों से व्युत्पन्न वेल्थ प्रक्रियाओं के अनुक्रम) को इष्टतम e-process क्लास सिद्ध किया गया है।

महत्व और दावे (Significance and Claims)
शोध पत्र दावा करता है कि यह कॉइन-बेटिंग फॉर्मूलेशन की इष्टतमता का पहला कठोर लक्षण वर्णन प्रदान करता है। इसके प्राथमिक योगदान हैं:

• स्पष्ट लक्षण वर्णन (Explicit Characterization): परिणाम एक सीमित रैंडम वेरिएबल के (सशर्त) माध्य के परीक्षण के लिए सभी वैध e-variables और e-processes का एक सीधा और स्पष्ट विवरण प्रदान करते हैं। विशेष रूप से, कोई भी वैध e-variable/प्रोसेस एक कॉइन-बेटिंग e-variable/प्रोसेस द्वारा मेजरिसाइज किया जाता है।
• सैद्धांतिक औचित्य (Theoretical Justification): यह "सटीकता" (exactness) जैसे अनुमानी औचित्य (जहाँ अपेक्षाएँ 1 के बराबर होती हैं) से आगे बढ़कर यह सिद्ध करता है कि कॉइन-बेटिंग वर्ग परीक्षणों के एक न्यूनतम पूर्ण वर्ग (minimal complete class) का गठन करता है।
• रणनीतिक सरलीकरण (Strategic Simplification): इष्टतम e-class की पहचान करके, यह परीक्षण रणनीतियों के डिज़ाइन को सरल बनाता है। उदाहरण के लिए, यह यूनिवर्सल पोर्टफोलियो जैसी बेयसियन एकत्रीकरण तकनीकों (Bayesian aggregation techniques) के उपयोग को उचित ठहराता है, जिससे यह सुनिश्चित होता है कि कॉइन-बेटिंग रणनीतियों के निम्न-आयामी पैरामेट्रिक स्पेस तक सीमित होकर कोई सांख्यिकीय शक्ति खोई नहीं है।
• पूर्व कार्य से भिन्नता (Distinction from Prior Work): लेखक इस कार्य को रैखिक बाधाओं (linear constraints) के लिए हालिया लक्षण वर्णन (Clerico, 2024; Larsson et al., 2025) से अलग करते हैं। जबकि वे कार्य एकल-राउंड परिणाम को दर्शाते हैं, यह शोध पत्र तर्क देता है कि इसका दृष्टिकोण अधिक प्रत्यक्ष और विशिष्ट सेटिंग के लिए अनुकूलित है, जो ज्यामितीय तर्कों (चित्र 1 के माध्यम से दृश्यित) के माध्यम से अंतर्दृष्टि प्रदान करता है। इसके अतिरिक्त, यह शोध पत्र e-processes और बहु-राउंड वेरिएबल्स तक लक्षण वर्णन का विस्तार करता है, जिसे उद्धृत कार्य इस विशिष्ट संदर्भ में पूरी तरह से संबोधित नहीं करते हैं।

सीमाएं और दायरा (Limitations and Scope)
शोध पत्र स्पष्ट रूप से नोट करता है कि सख्त i.i.d. परिकल्पना के तहत कॉइन-बेटिंग की इष्टतमता मान्य नहीं है, जहाँ अधिकतम e-variables का सेट बड़ा है। इसके अतिरिक्त, यह शोध पत्र विशिष्ट बेटिंग रणनीतियों को डिजाइन करने के बजाय इष्टतम वर्ग को परिभाषित करने पर ध्यान केंद्रित करता है, और ठोस रणनीतियों के निर्माण को मौजूदा साहित्य (Orabona and Jun, 2023; Waudby-Smith and Ramdas, 2023) पर छोड़ देता है। परिणाम $[0, 1]$ में चरों के लिए प्रस्तुत किए गए हैं लेकिन उल्लेख किया गया है कि वे किसी भी सीमित बंद वास्तविक सेट (bounded closed real set) के लिए विस्तारित किए जा सकते हैं।