🔢 mathematics

On strict ranking by pairwise comparisons

यह शोध पत्र $\mathcal{R}$ -कंडीशन पर आधारित एक प्रारंभिक ह्यूरिस्टिक (heuristic) को प्रस्तुत करते हुए युग्मवार तुलनात्मक आव्रिक्स (pairwise comparison matrices) से एक सख्त रैंकिंग प्राप्त करने की चुनौती का समाधान करता है और एक व्यापक वर्ग के आव्रिक्स के लिए सुसंगत तुलनाएँ उत्पन्न करने के लिए डिज़ाइन किए गए एक न्यूनीकरण समस्या (minimization problem) के साथ निष्कर्ष निकालता है।

मूल लेखक: Jean-Pierre Magnot

प्रकाशित 2026-04-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jean-Pierre Magnot

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 $n$ प्रतियोगियों वाले एक टैलेंट शो के मुख्य निर्णायक (head judge) हैं। आपका काम उन्हें पहले स्थान से लेकर अंतिम स्थान तक रैंक करना है। आपके पास कोई स्कोर नहीं है; आपके पास केवल एक विशाल स्कोरबोर्ड है जहाँ आपने लिखा है कि एक प्रतियोगी दूसरे से कितना बेहतर है।

"प्रतियोगी A, प्रतियोगी B से दोगुना बेहतर है।"
"प्रतियोगी B, प्रतियोगी C से तीन गुना बेहतर है।"
"प्रतियोगी C... खैर, वास्तव में, प्रतियोगी A केवल C से 1.5 गुना बेहतर है।"

समस्या:
यहाँ पेच यह है: आपका स्कोरबोर्ड अस्त-व्यस्त है। गणित मेल नहीं खा रहा है। यदि A, B से दोगुना है, और B, C से तीन गुना है, तो A को C से छह गुना बेहतर होना चाहिए। लेकिन आपने 1.5 लिखा है। इसे असंगति (inconsistency) कहा जाता है।

वास्तविक दुनिया में, इंसान गणित में खराब होते हैं। हम थक जाते हैं, हमारे पूर्वाग्रह होते हैं, या हम अपना मन बदल लेते हैं। पारंपरिक तरीके आपके अस्त-व्यस्त स्कोरबोर्ड को "ठीक" करने की कोशिश करते हैं—यानी उन्हें पूरी तरह से "सुसंगत" (consistent) बनाने के लिए। वे कह सकते हैं, "ठीक है, हम आपके '1.5' को अनदेखा करेंगे और इसे '6' में बदल देंगे क्योंकि गणित यही मांग करता है।"

पारंपरिक तरीकों का दोष:
लेखक, जीन-पियरे मैग्नोट (Jean-Pierre Magnot), एक डरावनी समस्या की ओर इशारा करते हैं: जब आप संख्याओं को सुसंगत बनाने के लिए मजबूर करते हैं, तो आप अनजाने में विजेता को बदल सकते हैं।

शायद आपके अस्त-व्यस्त स्कोरबोर्ड ने कहा था "A, B से बेहतर है।"
लेकिन जब कंप्यूटर ने गणित को सुसंगत बनाने के लिए संख्याओं को "ठीक" किया, तो नई संख्याएँ कहती हैं "B, A से बेहतर है।"
उस "सुधार" ने रैंकिंग को ही बिगाड़ दिया!

समाधान: "R-कंडीशन" (कठोर नियम)
मैग्नोट एक नया तरीका प्रस्तावित करते हैं। संख्याओं को ठीक करने के बजाय, तीरों (arrows) की दिशा को देखें।

एक मानचित्र की कल्पना करें जहाँ प्रत्येक जोड़ी के बीच एक एकतरफा रास्ता है।

यदि A > B, तो रास्ता A $\to$ B है।
यदि B > A, तो रास्ता B $\to$ A है।

R-कंडीशन एक सरल नियम है: जब तक आप एक ऐसा पथ (path) बना सकते हैं जो हर प्रतियोगी से ठीक एक बार गुजरता है और कभी पीछे की ओर नहीं जाता, तब तक आपके पास एक वैध रैंकिंग है।

यह मायने नहीं रखता कि "दूरी" (संख्याएँ) कितनी अजीब या असंगत हैं। जब तक दिशाएँ एक स्पष्ट रेखा बनाती हैं (A जीतता है B को, B जीतता है C को, C जीतता है D को...), तब तक आपके पास एक सख्त रैंकिंग है। कोई बराबरी (ties) नहीं!

"जादुई फलन" (ग्रेडिएंट डिसेंट - The Gradient Descent)
तो हम एक अस्त-व्यस्त स्कोरबोर्ड से एक आदर्श रैंकिंग तक कैसे पहुँचते हैं बिना रैंकिंग को बदले बिना?

मैग्नोट एक "जादुई पर्वत" (एक गणितीय फलन जिसे $\Phi$ कहा जाता है) का आविष्कार करते हैं।

घाटी (The Valley): पर्वत का निचला हिस्सा एक आदर्श, सुसंगत स्कोरबोर्ड का प्रतिनिधित्व करता है जहाँ हर किसी की एक सख्त रैंक है।
चट्टानें (The Cliffs): पर्वत के किनारे अविश्वसनीय रूप से खड़ी चट्टानें हैं। यदि आप एक "बराबरी" (tie) की ओर जाने की कोशिश करते हैं (जहाँ दो लोग समान रैंक पर हों), तो ज़मीन एक अनंत खाई में गिर जाती है।

यह पेपर एक "हाइकर" (एक एल्गोरिदम) का उपयोग करने का सुझाव देता है जो इस पहाड़ से नीचे उतरता है।

हाइकर आपके अस्त-व्यस्त स्कोरबोर्ड से शुरू करता है।
वे नीचे की ओर छोटे कदम उठाते हैं, संख्याओं को सुसंगत बनाने की कोशिश करते हैं।
क्योंकि मैग्नोट ने जो "चट्टानें" बनाई हैं, उनके कारण, हाइकर बराबरी (tie) पर नहीं रुक सकता। वे नीचे तक फिसलने के लिए मजबूर हैं, जहाँ संख्याएँ सुसंगत हैं और रैंकिंग भी सख्त है।

यह क्यों मायने रखता है (मानवीय तत्व)
पेपर एक दार्शनिक विचार के साथ समाप्त होता है। इंसान सटीक संख्याओं के बारे में नहीं सोचते। हम "A, B से थोड़ा बेहतर है" जैसी धुंधली भावनाओं के बारे में सोचते हैं।

पुराना तरीका: हमारी धुंधली भावनाओं को कठोर गणित में जबरदस्ती डालना, जो तर्क को तोड़ सकता है।
नया तरीका: यह स्वीकार करना कि हमारी पसंद की "दिशा" सटीक "दूरी" से अधिक महत्वपूर्ण है।

"परछाई" का रूपक (The Analogy of the "Shadow")
लेखक परिशिष्ट (appendix) में "परिमित विन्यास" (finite configurations) का उल्लेख करते हैं। इसे समस्या की परछाई के रूप में समझें।
कल्पना कीजिए कि आप एक जटिल 3D मूर्तिकला (अस्त-व्यस्त मानवीय रैंकिंग) को देख रहे हैं। आप पूरे हिस्से को नहीं देख सकते, इसलिए आप दीवार पर उसकी छाया देखते हैं। छाया एक 2D मानचित्र है कि कौन किसको हराता है।
मैग्नोट का काम यह समझने के बारे में है कि भले ही 3D मूर्तिकला विकृत और टूटी हुई हो (असंगत), छाया (सख्त रैंकिंग) अभी भी पूरी तरह से स्पष्ट और अटूट हो सकती है, जब तक कि आप जानते हों कि कैसे देखना है।

सारांश:
यह पेपर कहता है: "मानवीय विचारों को तुरंत पूर्ण गणितीय समीकरणों में बदलने की कोशिश करना बंद करें। इसके बजाय, सरल 'कौन किसे हराता है' वाले तीरों को देखें। यदि वे एक स्पष्ट रेखा बनाते हैं, तो आपके पास एक विजेता है। फिर, संख्याओं को धीरे से सुचारू बनाने के लिए एक विशेष गणितीय स्लाइड का उपयोग करें, बिना कभी रैंकिंग को बराबरी (tie) में गिरने दिए।"

यहाँ जीन-पियरे मैग्नोट के शोध पत्र "On Strict Ranking by Pairwise Comparisons" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र पेयरवाइज कंपैरिजन (PC) विधि की एक मौलिक चुनौती को संबोधित करता है: एक पेयरवाइज तुलना मैट्रिक्स से एक स्ट्रिक्ट रैंकिंग (जहाँ कोई भी दो आइटम समान रैंक साझा नहीं करते) प्राप्त करना, विशेष रूप से तब जब इनपुट डेटा असंगत (inconsistent) हो।

संदर्भ: मल्टी-क्राइटेरिया डिसीजन मेकिंग (MCDM) में, भार (weights) प्राप्त करने के लिए विकल्पों की पेयरवाइज तुलना की जाती है। हालाँकि, मानवीय निर्णय अक्सर विसंगतियों (transitivity के उल्लंघन, जैसे कि $A > B$ , $B > C$ , लेकिन $A < C$ ) की ओर ले जाते हैं।
अंतराल (The Gap): पारंपरिक विधियाँ अक्सर एक मैट्रिक्स को सुसंगत अवस्था में लाने के लिए "कंसिस्टेंसी प्रक्रियाओं" (जैसे ऑर्थोगोनल प्रोजेक्शन) पर निर्भर करती हैं। लेखक का तर्क है कि ये मानक प्रक्रियाएँ डेटा की अंतर्निहित व्यवस्था (ordering) को नष्ट कर सकती हैं, जिससे अलग-अलग आइटम समान रैंक में सिमट सकते हैं या आइटमों का सापेक्ष क्रम बदल सकता है।
लक्ष्य: एक ऐसा गणितीय ढांचा स्थापित करना जहाँ एक सुसंगत मैट्रिक्स को पहले बलपूर्वक सुसंगत बनाए बिना, सीधे एक असंगत मैट्रिक्स से एक स्ट्रिक्ट रैंकिंग प्राप्त की जा सके, और एक ऐसा मिनिमाइजेशन समस्या प्रस्तावित करना जो सुसंगतता (consistency) और स्ट्रिक्ट रैंकिंग दोनों को एक साथ सुनिश्चित करे।

2. कार्यप्रणाली और गणितीय ढांचा (Methodology and Mathematical Framework)

यह शोध पत्र PC मैट्रिसेस की संरचना का विश्लेषण करने के लिए Lie theory, topology, और optimization के उपकरणों का उपयोग करता है।

A. R-Condition और स्ट्रिक्ट रैंकिंग

लेखक स्ट्रिक्ट रैंकिंग को केवल भार के एक सेट के रूप में नहीं, बल्कि PC मैट्रिक्स के एक विशिष्ट टोपोलॉजिकल गुण के रूप में परिभाषित करते हैं।

परिभाषा: एक मैट्रिक्स R-condition को संतुष्ट करता है यदि वह आइटमों के एक क्रमपरिवर्तन (permutation) $\sigma$ की अनुमति देता है जिससे $w_{\sigma(1)} < w_{\sigma(2)} < \dots < w_{\sigma(n)}$ हो।
गणितीय सूत्र: यह इस स्थिति के समतुल्य है कि सभी $i, j$ के लिए, $i = j \iff a_{i,j} = 1$ । यदि $i \neq j$ , तो $a_{i,j} \neq 1$ ।
एडमिसेबल लोकी (Admissible Loci): सभी PC मैट्रिसेस ( $PC_n$ ) के सेट को जुड़े हुए घटकों (connected components) में विभाजित किया गया है। लेखक उन एडमिसेबल लोकी ( $RPC_n$ ) की पहचान करते हैं जहाँ एक स्ट्रिक्ट रैंकिंग मौजूद होती है। इन लोकी को मैट्रिक्स प्रविष्टियों के लघुगणक (logarithms) के संकेतों ("चरित्रिक रैंकिंग मैट्रिक्स") द्वारा पहचाना जाता है।
मुख्य अंतर्दृष्टि: एक स्ट्रिक्ट रैंकिंग एक असंगत मैट्रिक्स के होने पर भी मौजूद हो सकती है। सुसंगतता, एक अद्वितीय भार सेट के अस्तित्व के लिए एक पूर्व शर्त है जो मैट्रिक्स को पूरी तरह से पुनर्गठित कर सके, लेकिन स्ट्रिक्ट ऑर्डर स्थापित करने के लिए यह अनिवार्य नहीं है।

B. रैंकिंग लोकी का टोपोलॉजिकल विश्लेषण

शोध पत्र क्रमपरिवर्तन सेट $S_n$ (संभावित रैंकिंग) और $RPC_n$ में एडमिसेबल लोकी के बीच एक एकैकी संबंध (bijection) सिद्ध करता है।
थ्योरम 3.6: $n \geq 3$ के लिए, $RPC_n$ में नॉन-एडमिसेबल लोकी मौजूद हैं। इसका अर्थ है कि ऐसे मैट्रिक्स हैं जहाँ पेयरवाइज तुलनाएँ इस तरह विरोधाभासी हैं कि वे किसी भी स्ट्रिक्ट रैंकिंग को रोकने में विफल रहती हैं (जैसे कि चक्रीय प्रभुत्व जिसे लीनियर नहीं किया जा सकता)।
कंसिस्टेंसी प्रक्रियाओं की अस्थिरता: लेखक प्रदर्शित करते हैं (थ्योरम 3.8) कि मानक कंसिस्टेंसी प्रक्रियाएं (जैसे ऑर्थोगोनल प्रोजेक्शन) R-condition के संबंध में अस्थिर (unstable) हैं। एक मैट्रिक्स जो R-condition को संतुष्ट करता है, उसे एक कंसिस्टेंसी प्रक्रिया द्वारा ऐसे मैट्रिक्स में बदला जा सकता है जो:
1. R-condition को संतुष्ट नहीं करता (आइटम समान हो जाते हैं)।
2. R-condition को संतुष्ट करता है लेकिन एक अलग एडमिसेबल लोकी से संबंधित होता है (रैंकिंग क्रम बदल जाता है)।

C. प्रस्तावित समाधान: फंकशनल $\Phi$

कंसिस्टेंसी और स्ट्रिक्ट रैंकिंग के बीच संघर्ष को हल करने के लिए, लेखक एक नया मिनिमाइजेशन समस्या प्रस्तावित करते हैं जिसे फंकशनल $\Phi: APC_n \to \mathbb{R}^+$ द्वारा परिभाषित किया गया है।

डोमेन: फंकशनल $APC_n$ (एडमिसेबल मैट्रिसेस का सेट) पर परिभाषित है, जो स्पष्ट रूप से उन मैट्रिसेस को बाहर करता है जहाँ आइटम पहले से ही समान हैं ( $RCPC_n$ )।
परिभाषा:
$\Phi(A) = \left( \prod_{i<j} \frac{ii(A)}{(\log a_{i,j})^2 + (ii(A))^{n(n+1)/2}} \right) \times \sum_{i<j} ((\log a_{i,j})^4 + 1)$
जहाँ $ii(A)$ एक मानक इनकंसिस्टेंसी इंडिकेटर है।
गुण:
1. $\Phi(A) = 0$ यदि और केवल यदि $A$ सुसंगत (consistent) है और R-condition को संतुष्ट करता है (स्ट्रिक्ट रैंकिंग)।
2. $\Phi(A)$ अपरिभाषित (या डायवर्ज) हो जाता है यदि $A$ में समान आइटम शामिल हैं ( $i \neq j$ के लिए $a_{i,j}=1$ ), जो प्रभावी रूप से नॉन-स्ट्रिक्ट रैंकिंग को दंडित करता है।
3. फंकशनल को ग्रेडिएंट विधियों का उपयोग करके मिनिमाइज़ करने के लिए डिज़ाइन किया गया है।

3. मुख्य परिणाम

कंसिस्टेंसी और रैंकिंग का अलगाव: शोध पत्र सिद्ध करता है कि स्ट्रिक्ट रैंकिंग मैट्रिक्स के टोपोलॉजिकल घटक (locus) का एक गुण है और इसके लिए मैट्रिक्स का सुसंगत होना आवश्यक नहीं है।
मानक प्रक्रियाओं की विफलता: यह गणितीय रूप से प्रदर्शित किया गया है कि ऑर्थोगोनल प्रोजेक्शन के माध्यम से एक असंगत मैट्रिक्स को सुसंगत मैट्रिक्स में बदलने से स्ट्रिक्ट रैंकिंग बदल सकती है या समाप्त हो सकती है।
नॉन-एडमिसेबल लोकी की उपस्थिति: सभी असंगत मैट्रिसेस को स्ट्रिक्ट रूप से रैंक नहीं किया जा सकता; कुछ में अंतर्निहित विरोधाभास (चक्रीय संरचनाएं) होते हैं जो रैखिक क्रम को रोकते हैं।
मिनिमाइजेशन थ्योरम: फंकशनल $\Phi$ को इस तरह बनाया गया है कि इसका ग्लोबल मिनिमम (वैल्यू 0) मूल डेटा के स्ट्रिक्ट ऑर्डरिंग को बनाए रखने वाले एक अद्वितीय सुसंगत मैट्रिक्स के अनुरूप होता है।
सीमाओं पर डायवर्जेंस: फरल $\Phi$ एडमिसेबल सेट की सीमा (जहाँ आइटम समान हो जाते हैं) के करीब पहुँचने पर $+\infty$ की ओर डायवर्ज होता है, यह सुनिश्चित करता है कि ऑप्टिमाइजेशन एल्गोरिदम स्वाभाविक रूप से रैंक को ढहने से बचाते हैं।

4. महत्व और योगदान

नया प्रतिमान (New Paradigm): यह शोध पत्र इस पारंपरिक धारणा को चुनौती देता है कि रैंकिंग से पहले सुसंगतता प्राप्त की जानी चाहिए। यह सुझाव देता है कि रैंकिंग एक प्राथमिक संरचना है जिसे असंगत डेटा से निकाला जा सकता है, बशर्ते डेटा एक "एडमिसेबल लोकी" में हो।
मजबूती (Robustness): $\Phi$ फंकशनल पेश करके, लेखक एक सुसंगत मैट्रिक्स खोजने के लिए एक सैद्धांतिक उपकरण प्रदान करते हैं जो मूल स्ट्रिक्ट ऑर्डर का सम्मान करता है, जिससे मानक प्रोजेक्शन विधियों के दोषों से बचा जा सके।
अंतर्विषयक अनुप्रयोग: यह कार्य डिसीजन साइंस (रैंकिंग समस्याएं), Lie Theory (लघुगणकीय मानचित्र, समूह संरचनाएं), और भौतिकी (लूप क्वांटम ग्रेविटी और होलोनोमी के संदर्भ) को जोड़ता है।
मनोवैज्ञानिक अंतर्दृष्टि: निष्कर्ष नोट करता है कि मानवीय निर्णय अक्सर सटीक संख्याओं के बजाय अस्पष्ट भाषाई मूल्यों (fuzzy linguistic values) पर निर्भर करते हैं। लेखक का सुझाव है कि जबकि वर्तमान गणितीय मॉडल तकनीकी अनुप्रयोगों (जैसे वायरलेस नेटवर्क) के लिए काम करता है, मानव-केंद्रित समस्याओं के लिए अधिक जटिल संरचनाओं (जैसे गैर-Abelian Lie groups) की आवश्यकता हो सकती है ताकि "फजीनेस" को साधारण वास्तविक संख्याओं की तुलना में बेहतर ढंग से मॉडल किया जा सके।

5. निष्कर्ष

जीन-पियरे मैग्नोट स्ट्रिक्ट रैंकिंग के लिए एक कठोर गणितीय दृष्टिकोण प्रस्तावित करते हैं जो तत्काल सुसंगतता के बजाय क्रम के संरक्षण को प्राथमिकता देता है। R-condition और फंकशनल $\Phi$ को परिभाषित करके, शोध पत्र असंगत पेयरवाइज तुलनाओं से एक स्ट्रिक्ट, सुसंगत रैंकिंग प्राप्त करने की समस्या का समाधान प्रदान करता है, और यह सिद्ध करता है कि मानक कंसिस्टेंसी विधियाँ अक्सर अपर्याप्त या हानिकारक होती हैं। शोध पत्र $\Phi$ पर ग्रेडिएंट डिसेंट के व्यावहारिक कार्यान्वयन और गैर-Abelian संरचनाओं तक विस्तार को भविष्य के शोध के लिए छोड़ देता है।