🤖 machine learning

Tube Loss: A Novel Approach for Prediction Interval Estimation

यह शोध पत्र "ट्यूब लॉस" (Tube Loss) प्रस्तुत करता है, जो रिग्रेशन के लिए एक नवीन लॉस फंक्शन है जो उच्च-गुणवत्ता वाले प्रेडिक्शन इंटरवल्स का निरंतर अनुमान लगाने, घने संभाव्यता क्षेत्रों (विशेष रूप से विषम वितरणों के लिए) को कैप्चर करने हेतु समायोज्य स्थिति निर्धारण, और ग्रेडिएंट डिसेंट के माध्यम से कुशल अनुकूलन को सक्षम बनाता है, जो कर्नेल मशीनों, न्यूरल नेटवर्क और कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क में उत्कृष्ट प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Pritam Anand, Tathagata Bandyopadhyay, Suresh Chandra

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pritam Anand, Tathagata Bandyopadhyay, Suresh Chandra

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 मौसम विज्ञानी हैं। केवल यह कहने के बजाय कि, "कल 75 डिग्री रहेगा," आप लोगों को बेहतर योजना बनाने में मदद करने के लिए संभावनाओं की एक सीमा देना चाहते हैं। आप कह सकते हैं, "यह संभवतः 70 और 80 डिग्री के बीच होगा।" इस सीमा को प्रेडिक्शन इंटरवल (PI) कहा जाता है।

आपका लक्ष्य पर्याप्त रूप से सही होना है (मान लीजिए 95% बार), जबकि इस सीमा को यथासंभव सटीक (tight) रखना है। यदि आप कहते हैं "0 और 100 डिग्री के बीच," तो आप 100% बार सही होंगे, लेकिन यह बहुत उपयोगी नहीं है। यदि आप कहते हैं "74 और 76 के बीच," तो यह बहुत उपयोगी है, लेकिन आप बहुत बार गलत भी हो सकते हैं।

यह शोध पत्र ट्यूब लॉस (Tube Loss) नामक एक नया गणितीय उपकरण पेश करता है ताकि कंप्यूटर इन "मौसम सीमाओं" को अधिक सटीक और कुशलता से बना सकें। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. पुराने उपकरणों के साथ समस्या

इस शोध पत्र से पहले, कंप्यूटरों के पास ये सीमाएं बनाने के कुछ तरीके थे:

"दो अलग-अलग कार्यकर्ता" वाला दृष्टिकोण: कुछ विधियों ने एक कंप्यूटर को सीमा के निचले हिस्से का अनुमान लगाने के लिए और एक पूरी तरह से अलग कंप्यूटर को ऊपरी हिस्से का अनुमान लगाने के लिए प्रशिक्षित किया। यह धीमा था और कभी-कभी दोनों अनुमान आपस में मेल नहीं खाते थे।
"स्टेप फंक्शन" (सीढ़ीनुमा फलन) वाला दृष्टिकोण: अन्य विधियों ने एक लॉस फंक्शन (एक स्कोरकार्ड कि कंप्यूटर कितना गलत है) का उपयोग किया जो एक सीढ़ी की तरह दिखता था। क्योंकि सीढ़ियों में सपाट हिस्से होते हैं, इसलिए "ग्रेडिएंट डिसेंट" (सीखने का एक मानक तरीका) का उपयोग करने वाले कंप्यूटर फंस जाते थे। वे सबसे अच्छा उत्तर खोजने के लिए सपाट चरणों से नीचे नहीं उतर पाते थे। उन्हें सीखने के लिए धीमे और अधिक जटिल तरीकों का उपयोग करना पड़ता था।
"नाजुक" दृष्टिकोण: कुछ नई विधियां "आउटलेयर्स" (अजीब, चरम डेटा बिंदु)—जैसे सेंसर की खराबी के कारण 500 डिग्री का तापमान—के प्रति बहुत संवेदनशील थीं। यदि कोई एक डेटा बिंदु बहुत बड़ी त्रुटि होता, तो ये विधियां टूट जाती थीं, जिससे सीमा का ऊपरी और निचला हिस्सा एक-दूसरे को काट देता था, जिसका कोई अर्थ नहीं निकलता।

2. समाधान: "ट्यूब" (नली)

लेखक ट्यूब लॉस (Tube Loss) का प्रस्ताव करते हैं। कल्पना कीजिए कि प्रेडिक्शन इंटरवल एक ट्यूब या सुरंग की तरह है जिससे डेटा बिंदुओं को गुजरना चाहिए।

एक सुचारू फिसलन (One Smooth Slide): पुराने "सीढ़ीनुमा" तरीकों के विपरीत, ट्यूब लॉस सुचारू और फिसलन भरा (गणितीय रूप से, डिफरेंशिएबल) है। इसका मतलब है कि कंप्यूटर सीखने के लिए मानक, तेज़ "ढलान से नीचे फिसलने" वाले विधि (ग्रेडिएंट डिसेंट) का पूरी तरह से उपयोग कर सकता है। यह एक ऊबड़-खाबड़ सीढ़ी को एक चिकनी स्लाइड से बदलने जैसा है।
"शिफ्ट" नॉब (पैरामीटर r): यह इस शोध पत्र की सबसे अनूठी विशेषता है। कल्पना कीजिए कि ट्यूब डेटा के एक प्रवाह (नदी) में तैर रही है। कभी-कभी डेटा (पानी) एक तरफ से दूसरी तरफ की तुलना में गहरा होता है (विषम वितरण/skewed distribution)।
- यदि डेटा एक तरफ झुका हुआ है, तो एक मानक ट्यूब बीच में स्थित हो सकती है, जिससे खाली तरफ की जगह बर्बाद होती है।
- ट्यूब लॉस में एक नॉब (जिसे r कहा जाता है) है जो आपको पूरी ट्यूब को नदी के किनारे ऊपर या नीचे खिसकने की अनुमति देता है। आप ट्यूब को इस तरह शिफ्ट कर सकते हैं ताकि वह डेटा के घने, भीड़भाड़ वाले हिस्से को गले लगा सके। यह कंप्यूटर को बिना किसी डेटा बिंदु को खोए, ट्यूब को संकीर्ण (अधिक सटीक) बनाने की अनुमति देता है।
"टाइटनिंग" (कसने वाला) नॉब (पैरामीटर δ): कभी-कभी, कंप्यूटर बहुत अधिक सावधान हो जाता है। वह एक ऐसी ट्यूब बनाता है जो आवश्यकता से अधिक चौड़ी होती है। लेखकों ने एक दूसरा नॉब जोड़ा है जो एक बेल्ट की तरह काम करता है। यदि कंप्यूटर 95% के बजाय 99% डेटा को कवर कर रहा है, तो आप ट्यूब को सिकोड़ने के लिए बेल्ट को कस सकते हैं, जिससे भविष्यवाणी अधिक उपयोगी हो जाती है, जबकि सुरक्षा सीमाओं के भीतर ही रहता है।

3. यह बेहतर क्यों है (परिणाम)

पत्र ने कई अन्य विधियों का उपयोग करके इस नए "ट्यूब" का परीक्षण किया:

कर्नेल मशीनें (Kernel Machines): ग्राफ पर रेखाएं खींचने के एक परिष्कृत संस्करण की तरह।
न्यूरल नेटवर्क (Neural Networks): डीप लर्निंग में उपयोग किए जाने वाले मस्तिष्क जैसे कंप्यूटर।
टाइम सीरीज़ (Time Series): उन चीजों की भविष्यवाणी करना जो समय के साथ बदलती हैं, जैसे हवा की गति, बिजली का उपयोग और सूर्य के धब्बे।

निष्कर्ष थे:

गति: क्योंकि यह मानक "फिसलने" वाली विधि का उपयोग करता है, यह जटिल, गैर-मानक गणित की आवश्यकता वाले तरीकों की तुलना में बहुत तेज़ी से प्रशिक्षित होता है।
सटीकता: इसके द्वारा बनाई गई ट्यूब अक्सर प्रतिस्पर्धा की तुलना में संकीर्ण (अधिक सटीक) होती है, जबकि यह लक्षित आत्मविश्वास स्तर (जैसे, 95% बार सही होना) को प्राप्त करती है।
मजबूती (Robustness): जब अजीब, चरम डेटा बिंदु (आउटलेयर्स) आते हैं, तो यह टूटता नहीं है। "ट्यूब" बरकरार रहती है और खुद को काटती नहीं है।
लचीलापन: अपने "शिफ्ट" नॉब को समायोजित करके, यह विषम डेटा (जहाँ डेटा एक तरफ जमा होता है) को पुराने तरीकों की तुलना में बहुत बेहतर तरीके से संभालता है जो मानते हैं कि डेटा पूरी तरह से संतुलित है।

4. वास्तविक दुनिया के परीक्षण

लेखकों ने केवल कागज पर गणित नहीं किया; उन्होंने वास्तविक दुनिया की समस्याओं पर ट्यूब लॉस चलाया:

हवा का पूर्वानुमान (Wind Forecasting): ऊर्जा उत्पादन के लिए हवा की गति की भविष्यवाणी करना। ट्यूब लॉस मॉडल अन्य लोकप्रिय मॉडलों जैसे DeepAR और मिक्स्चर डेंसिटी नेटवर्क को हराकर सबसे ऊपर रहे।
टेक्स्ट समानता (Text Similarity): यह निर्धारित करना कि दो वाक्य कितने समान हैं। ट्यूब लॉस ने मौजूदा विधियों की तुलना में बेहतर अनिश्चितता अनुमान प्रदान किया।
कॉन्फ़ॉर्मल प्रेडिक्शन (Conformal Prediction): उन्होंने यह भी दिखाया कि यह सांख्यिकीय सटीकता सुनिश्चित करने के लिए "कॉन्फ़ॉर्मल प्रेडिक्शन" नामक तकनीक के साथ मिलकर कैसे काम करता है, और यह पिछले मानक की तुलना में तेज़ी से करता है।

सारांश

ट्यूब लॉस को डेटा के लिए एक स्मार्ट, समायोज्य सुरंग के रूप में समझें।

यह सुचारू (smooth) है, जिससे कंप्यूटर तेज़ी से सीखते हैं।
इसमें एक स्लाइडर है जो सुरंग को वहां ले जाता है जहाँ डेटा सबसे घना है, जिससे सुरंग संकीर्ण और अधिक सटीक बनती है।
इसमें एक टाइटनर (कसने वाला) है जो सुरंग को छोटा कर देता है यदि वह बहुत ढीली है, बिना सुरक्षा नियमों को तोड़े।
यह मजबूत (strong) है, इसलिए जब डेटा गड़बड़ होता है तो यह टूटता नहीं है।

यह शोध पत्र दावा करता है कि यह विधि उपलब्ध पूर्व विधियों की तुलना में विभिन्न प्रकार के मशीन लर्निंग मॉडलों पर उच्च गुणवत्ता वाली, संकीर्ण और अधिक विश्वसनीय प्रेडिक्शन इंटरवल प्रदान करती है।

तकनीकी सारांश: प्रेडिक्शन इंटरवल एस्टीमेशन के लिए ट्यूब लॉस (Tube Loss)

समस्या विवरण (Problem Statement)
रिग्रेशन कार्यों में, अनिश्चितता को स्पष्ट किए बिना केवल एक पॉइंट प्रेडिक्शन प्रदान करना अक्सर उच्च-जोखिम वाले निर्णय लेने के लिए पर्याप्त नहीं होता है। जबकि प्रेडिक्शन इंटरवल्स (PIs) एक निर्दिष्ट कॉन्फिडेंस लेवल $1-\alpha$ के साथ एक रेंज $[\hat{\mu}_1(x), \hat{\mu}_2(x)]$ प्रदान करते हैं, मौजूदा विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं। पारंपरिक डिस्ट्रीब्यूशन-आधारित दृष्टिकोण (जैसे, मीन-वेरिएंस एस्टीमेशन) अक्सर स्क्यूड (skewed) या हेवी-टेल्ड शोर (noise) के तहत विफल हो जाते हैं। लोअर अपर बाउंड एस्टीमेशन (LUBE) जैसी डिस्ट्रीब्यूशन-फ्री विधियाँ स्टेप फंक्शन्स वाले नॉन-डिफरेंशिएबल लॉस फंक्शन्स पर निर्भर करती हैं, जो स्टैंडर्ड ग्रेडिएंट डिसेंट (GD) के उपयोग को रोकती हैं। अन्य दृष्टिकोण, जैसे कि सिमलटेनियस क्वांटाइल रिग्रेशन (SQR), कई क्वांटाइल्स के लिए जटिल ऑप्टिमाइज़ेशन समस्याओं को हल करने की आवश्यकता रखते हैं, जबकि रिलैक्स्ड क्वांटाइल रिग्रेशन (RQR) आउटलेर्स के प्रति अत्यधिक संवेदनशीलता और इंटरवल बाउंड्स के क्रॉसिंग होने की संभावना से ग्रस्त है। इसके अलावा, कई मौजूदा विधियाँ विषम (asymmetric) कंडीशनल रिस्पॉन्स डिस्ट्रीब्यूशन के मामले में टाइट इंटरवल्स बनाने में संघर्ष करती हैं।

कार्यप्रणाली: ट्यूब लॉस फंक्शन (The Methodology: The Tube Loss Function)
यह शोध पत्र ट्यूब लॉस (Tube Loss) पेश करता है, जो एक एकल ऑप्टिमाइज़ेशन समस्या के माध्यम से लोअर और अपर PI बाउंड्स के सिमलटेनियस एस्टीमेशन के लिए डिज़ाइन किया गया एक नया लॉस फंक्शन है।

परिभाषा: मान लीजिए कि $u_1 = y - \mu_1(x)$ और $u_2 = y - \mu_2(x)$ क्रमशः लोअर और अपर बाउंड्स के लिए प्रेडिक्शन एरर हैं, जिसमें बाधा $\mu_2 \ge \mu_1$ (जिसका अर्थ है $u_2 \le u_1$ ) है। एक लक्षित कवरेज $1-\alpha$ और एक ट्यूनेबल पैरामीटर $r \in (0, 1)$ के लिए, ट्यूब लॉस $L^{(1-\alpha)}_r(u_1, u_2)$ को टुकड़ों (piecewise) में इस प्रकार परिभाषित किया गया है:
- $(1-\alpha)u_2$ यदि $u_2 > 0$ (अपर बाउंड के ऊपर का ऑब्जर्वेशन)।
- $-\alpha u_2$ यदि $u_2 \le 0, u_1 \ge 0$ , और $ru_2 + (1-r)u_1 \ge 0$ (ट्यूब के "ऊपरी" भाग के अंदर का ऑब्जर्वेशन)।
- $\alpha u_1$ यदि $u_2 \le 0, u_1 \ge 0$ , और $ru_2 + (1-r)u_1 < 0$ (ट्यूब के "निचले" भाग के अंदर का ऑब्जर्वेशन)।
- $-(1-\alpha)u_1$ यदि $u_1 < 0$ (लोअर बाउंड के नीचे का ऑब्जर्वेशन)।
मुख्य तंत्र (Key Mechanisms):
1. ग्रेडिएंट डिसेंट कम्पैटिबिलिटी: QD लॉस जैसे नॉन-डिफरेंशिएबल स्टेप फंक्शन्स या सिग्मॉइड एप्रोक्सिमेशन की आवश्यकता वाली विधियों के विपरीत, ट्यूब लॉस एरर्स का एक लीनियर फंक्शन है (लगभग हर जगह डिफरेंशिएबल), जो स्टैंडर्ड GD के माध्यम से प्रत्यक्ष ऑप्टिमाइज़ेशन को सक्षम बनाता है।
2. पैरामीटर $r$ के माध्यम से शिफ्टेबिलिटी: पैरामीटर $r$ डेटा डेंसिटी के सापेक्ष ट्यूब के "मिडपॉइंट" को नियंत्रित करता है। जब $r=0.5$ होता है, तो ट्यूब सेंटर्ड होता है (सिमेट्रिक डिस्ट्रीब्यूशन के लिए अनुकूल)। $r$ को ट्यून करके, इंटरवल को रिस्पॉन्स डिस्ट्रीब्यूशन के सपोर्ट के साथ ऊपर या नीचे शिफ्ट किया जा सकता है। यह स्क्यूड डिस्ट्रीब्यूशन के लिए विशेष रूप से प्रभावी है, जिससे इंटरवल को हाई-डेंसिटी क्षेत्रों को कैप्चर करने और कवरेज से समझौता किए बिना मीन प्रेडिक्शन इंटरवल विड्थ (MPIW) को कम करने की अनुमति मिलती है।
3. पैरामीटर $\delta$ के माध्यम से रीकैलिब्रेशन: यदि वैलिडेशन सेट पर एम्पीरिकल कवरेज (PICP) नामित स्तर $1-\alpha$ से अधिक है, तो एक लीनियर पेनल्टी टर्म $\delta|\mu_2(x) - \mu_1(x)|$ जोड़ा जा सकता है। यह वांछित कवरेज बनाए रखते हुए इंटरवल को और अधिक संकुचित (narrowing) करने की अनुमति देता है, जो अन्य विधियों में उपयोग किए जाने वाले क्वाड्रेटिक पेनल्टी की तुलना में आउटलेर्स के प्रति कम संवेदनशील है।

सैद्धांतिक गुण (Theoretical Properties)
शोध पत्र एक सैद्धांतिक विश्लेषण (लेम्मा 1 और प्रोपोज़िशन 1) प्रदान करता है जो यह प्रदर्शित करता है कि जैसे-जैसे सैंपल साइज $n \to \infty$ होता है, ट्यूब लॉस से प्राप्त इंटरवल्स का एम्पीरिकल कवरेज एसिम्प्टोटिक रूप से नामित कॉन्फिडेंस लेवल $1-\alpha$ प्राप्त कर लेता है। विश्लेषण लॉस फंक्शन की शर्तों के आधार पर फीचर स्पेस को चार क्षेत्रों में विभाजित करता है, यह दिखाते हुए कि इंटरवल के बाहर गिरने वाले डेटा पॉइंट्स का अनुपात इंटरवल के अंदर गिरने वाले पॉइंट्स के अनुपात के रूप में $\alpha / (1-\alpha)$ के बराबर होता है।

प्रायोगिक परिणाम (Experimental Results)
लेखकों ने विभिन्न फ्रेमवर्क्स और डेटासेट्स पर ट्यूब लॉस का मूल्यांकन किया:

कर्नेल मशीन्स (Kernel Machines): सिमेट्रिक और पॉजिटिवली स्क्यूड नॉइज़ वाले सिंथेटिक डेटासेट्स पर, ट्यून किए गए $r$ के साथ ट्यूब लॉस ने सेंटर्ड इंटरवल्स और स्टैंडर्ड क्वांटाइल रिग्रेशन की तुलना में MPIW को काफी कम कर दिया, जबकि लक्षित कवरेज बनाए रखा। इसने क्वांटाइल-आधारित कर्नेल मशीनों की तुलना में तेज़ ट्रेनिंग समय भी प्रदर्शित किया।
न्यूरल नेटवर्क (NN):
- QD लॉस के मुकाबले: ट्यूब लॉस ने QD लॉस की तुलना में स्मूथ और अधिक कॉम्पैक्ट PIs और कम सम ऑफ मीन स्क्वेर्ड एरर्स (SMSE) का उत्पादन किया, जिससे QD के लिए आवश्यक सॉफ्टनिंग पैरामीटर की संवेदनशीलता से बचाव हुआ।
- RQR के मुकाबले: आउटलेर्स की उपस्थिति में, ट्यूब लॉस स्थिर बाउंड्स बनाए रखता है, जबकि RQR बाउंड क्रॉसिंग और कवरेज में गिरावट प्रदर्शित करता है।
- बेंचमार्किंग: 12 बेंचमार्क डेटासेट्स में, ट्यूब लॉस-आधारित NNs ने 12 में से 9 मामलों में RQR, QRNN, SQR और QD बेसलाइन्स की तुलना में बेहतर या तुलनीय प्रदर्शन (PICC और MPIW के संदर्भ में) किया।
डीप प्रोबेबिलिस्टिक फोरकास्टिंग: टाइम-सीरीज डेटासेट्स (जैसे इलेक्ट्रिक, सनस्पॉट्स, विंड स्पीड) पर LSTM नेटवर्क पर लागू किया गया, ट्यूब लॉस-आधारित LSTM (T-LSTM) ने 6 में से 5 डेटासेट्स में क्वांटाइल-आधारित LSTM (Q-LSTM) को पछाड़ दिया। महत्वपूर्ण रूप से, Q-LSTM को दो अलग-अलग मॉडल को प्रशिक्षित करने की आवश्यकता होती है, जबकि T-LSTM को केवल एक सिंगल ट्रेनिंग साइकिल की आवश्यकता होती है, जिसके परिणामस्वरूप ट्रेनिंग समय में 33% से 63% तक की कमी आती है।
कॉन्फ़ॉर्मल प्रेडिक्शन: जब कॉन्फ़ॉर्मल क्वांटाइल रिग्रेशन (CQR) फ्रेमवर्क में एकीकृत किया जाता है (क्वांटाइल बाउंड्स को ट्यूब बाउंड्स से बदलकर), तो परिणामी ट्यूब-आधारित कॉन्फ़ॉर्मल रिग्रेशन (TCR) ने CQR के समान कवरेज और विड्थ प्राप्त की लेकिन काफी कम कंप्यूटेशनल रनटाइम के साथ।
सिमेंटिक टेक्स्टुअल सिमिलैरिटी (STS): STS कार्य में, ट्यूब लॉस एनसेम्बल ने उच्च गुणवत्ता वाले PIs उत्पन्न करने में मौजूदा अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification) बेसलाइन्स (QRGB, QRNN, HTS, और MDN सहित) से बेहतर प्रदर्शन किया।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि ट्यूब लॉस अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification) के लिए एक मजबूत, कुशल और लचीला विकल्प प्रदान करता है। इसका प्राथमिक महत्व है:

सिमलटेनियस ऑप्टिमाइज़ेशन: अलग-अलग क्वांटाइल एस्टीमेशन या नॉन-ग्रेडिएंट-आधारित सॉल्वर की आवश्यकता वाली विधियों के विपरीत, एक ही डिफरेंशिएबल ऑप्टिमाइज़ेशन समस्या में दोनों बाउंड्स के लिए समाधान खोजना।
स्क्यूनेस के प्रति अनुकूलन क्षमता: $r$ के माध्यम से इंटरवल्स को शिफ्ट करने की क्षमता ताकि उन्हें विषम डेटा डिस्ट्रीब्यूशन के साथ संरेखित किया जा सके, जिससे टाइट इंटरवल्स मिलते हैं जहाँ पारंपरिक सेंटर्ड विधियाँ विफल रहती हैं।
मजबूती (Robustness): RQR की तुलना में आउटलेर्स के प्रति कम संवेदनशीलता और QD/LUBE में पाए जाने वाले स्टेप-फंक्शन एप्रोक्सिमेशन की आवश्यकता का उन्मूलन।
दक्षता (Efficiency): ड्यूल-मॉडल क्वांटाइल दृष्टिकोणों की तुलना में डीप लर्निंग अनुप्रयोगों में प्रशिक्षण समय में महत्वपूर्ण कमी।

लेखक निष्कर्ष निकालते हैं कि ट्यूब लॉस कर्नेल मशीन्स, न्यूरल नेटवर्क और डीप प्रोबेबिलिस्टिक फोरकास्टिंग फ्रेमवर्क्स में उच्च-गुणवत्ता वाले प्रेडिक्शन इंटरवल्स उत्पन्न करने के लिए एक श्रेष्ठ विधि है, विशेष रूप से उन परिदृश्यों में जिनमें स्क्यूड नॉइज़ या कंप्यूटेशनल बाधाएं शामिल हैं।

1. पुराने उपकरणों के साथ समस्या

2. समाधान: "ट्यूब" (नली)

3. यह बेहतर क्यों है (परिणाम)

4. वास्तविक दुनिया के परीक्षण

सारांश

इसी तरह के और पेपर