📊 statistics

On Statistical Estimation of Edge-Reinforced Random Walks

यह शोधपत्र "रैंडम एनवायरनमेंट्स में रैंडम वॉक" के साथ "मैजिक फॉर्मूला" संबंध का लाभ उठाकर और सैंपल कॉम्प्लेक्सिटी का विश्लेषण करने के लिए हाइपरबोलिक गॉसियन संरचना का उपयोग करके, एज-रीइन्फोर्स्ड रैंडम वॉक के प्रारंभिक एज वेट्स के लिए एक सामान्यीकृत मेथड ऑफ मोमेंट्स एस्टिमेटर प्रस्तावित करता है।

मूल लेखक: Qinghua (Devon), Ding, Venkat Anantharam

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qinghua (Devon), Ding, Venkat Anantharam

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 शहर में घूमते हुए लोगों के एक समूह को देख रहे हैं। वे एक केंद्रीय चौक (जिसे "रूट" या मूल केंद्र कहा जाता है) से शुरू करते हैं और गली-गली घूमते हैं। लेकिन ये साधारण चलने वाले नहीं हैं; ये "रीइन्फोर्स्ड" (पुनर्बलित) चलने वाले हैं। हर बार जब वे एक विशिष्ट सड़क का उपयोग करते हैं, तो वह सड़क थोड़ी और लोकप्रिय हो जाती है। अगली बार जब वे (या कोई और) उस चौराहे पर पहुँचते हैं, तो उनके द्वारा उसी सड़क को फिर से चुनने की संभावना थोड़ी बढ़ जाती है। यह एक "अमीर-और-अमीर-होता-जाता-है" (rich-get-richer) वाली घटना है: आप जितनी बार किसी रास्ते का उपयोग करेंगे, वह उतना ही आकर्षक होता जाएगा।

यह शोध पत्र एक जासूस के बारे में है जो शहर की हर सड़क की मूल लोकप्रियता का पता लगाने की कोशिश कर रहा है, केवल कई यात्रियों की यात्राओं को देखकर।

यहाँ इस शोध पत्र की कहानी का विवरण दिया गया है, जिसमें सरल उपमाओं (analogies) का उपयोग किया गया है:

1. रहस्य: हम क्या खोजने की कोशिश कर रहे हैं?

शहर एक मानचित्र (ग्राफ) है जहाँ गलियाँ (edges) चौराहों (vertices) को जोड़ती हैं।

छिपा हुआ सुराग: इससे पहले कि कोई चलना शुरू करता, हर सड़क का एक छिपा हुआ "प्रारंभिक भार" (initial weight) था। कुछ सड़कें स्वाभाविक रूप से अधिक आमंत्रित करने वाली थीं (शायद वे चौड़ी थीं या वहाँ के दृश्य सुंदर थे), जबकि कुछ संकरी गलियाँ थीं।
लक्ष्य: शोधकर्ता एक गणितीय उपकरण बनाना चाहते हैं जो कई यात्रियों के दर्ज किए गए रास्तों को देखता है और अनुमान लगाता है कि वे मूल भार क्या थे।

2. केवल एक यात्री के साथ समस्या

यह शोध पत्र पहले एक आश्चर्यजनक तथ्य सिद्ध करता है: आप केवल एक व्यक्ति को देखकर इस रहस्य को हल नहीं कर सकते, भले ही वह अनंत काल तक चलता रहे।

उपमा: कल्पना कीजिए कि एक अकेला व्यक्ति शहर में घूम रहा है। क्योंकि वह उन सड़कों को बार-बार चुनता रहता है जिन्हें वह पसंद करता है, वह अंततः एक लूप या एक विशिष्ट पड़ोस में "फँस" जाता है, और बाकी शहर को अनदेखा कर देता है। उसका व्यक्तिगत इतिहास कि "मुझे यह सड़क पसंद है" इतना मजबूत हो जाता है कि वह पूरी तरह से सड़कों की मूल "प्राकृतिक सुंदरता" को ढक देता है।
निष्कर्ष: चाहे आप एक व्यक्ति को कितनी भी देर तक देखते रहें, उसका रास्ता उसके अपने व्यवहार से इतना पक्षपाती होता है कि वह आपको यह नहीं बता पाएगा कि चलने से पहले शहर कैसा दिखता था। इस रहस्य को स्पष्ट रूप से समझने के लिए आपको कई अलग-अलग लोगों (कई स्वतंत्र यात्राओं) की आवश्यकता है।

3. "मैजिक फॉर्मूला" और अदृश्य मानचित्र

पहेली को सुलझाने के लिए, लेखक एक चतुर गणितीय युक्ति का उपयोग करते हैं जिसे "मैजिक फॉर्मूला" कहा जाता है।

उपमा: यात्रियों को सीधे ट्रैक करने के बजाय, लेखक कल्पना करते हैं कि हर बार जब कोई यात्री शुरू करता है, तो उसे गुप्त रूप से एक यादृच्छिक (random), अदृश्य मानचित्र थमाया जाता है। इस अदृश्य मानचित्र पर, हर सड़क की एक विशिष्ट "चालकता" (conductance - यानी उस पर चलना कितना आसान है) होती है।
ट्विस्ट: यात्री वास्तव में अपनी यादों के आधार पर सड़कों का चुनाव नहीं कर रहे हैं; वे बस इस अदृश्य मानचित्र के नियमों का पालन कर रहे हैं। जो "पुनर्बलन" (reinforcement) हम देखते हैं, वह वास्तव में लाखों अलग-अलग अदृश्य मानचित्रों के औसत का परिणाम है।
रणनीति: शोधकर्ता दो-चरणीय जासूसी प्रक्रिया का प्रस्ताव देते हैं:
1. चरण 1: यात्रियों को देखें और अनुमान लगाने की कोशिश करें कि उस विशिष्ट यात्रा के लिए अदृश्य मानचित्र कैसा दिखता था।
2. चरण 2: कई अलग-अलग यात्राओं से अनुमानित अदृश्य मानचित्रों को एकत्र करें। चूंकि मूल "प्रारंभिक भार" निर्धारित करते हैं कि ये मानचित्र कैसे वितरित होते हैं, इसलिए शोधकर्ता इन मानचित्रों के संग्रह से वापस मूल भार तक पहुँचने के लिए काम कर सकते हैं।

4. "कवर टाइम" की चुनौती

अदृश्य मानचित्र का सटीक अनुमान लगाने के लिए, यात्रियों को शहर के हर हिस्से में जाना होगा। यदि कोई यात्री एक ही पड़ोस में रहता है, तो वह शहर के दूसरी ओर की सड़कों के बारे में आपको कुछ नहीं बता सकता।

चुनौती: एक यात्री को पूरे शहर में कम से कम एक बार जाने के लिए कितना समय लगता है? इसे "कवर टाइम" कहा जाता है।
शोध पत्र का अंतर्दृष्टि: लेखकों ने उन्नत गणित (जिसमें "हाइपरबोलिक गॉसियन" आकृतियाँ शामिल हैं, जो जटिल, लहरदार पहाड़ियों और घाटियों की तरह हैं) का उपयोग करके यह सिद्ध किया कि एक बड़े और जटिल शहर में भी, यात्री अंततः हर जगह पहुँच जाएंगे, बशर्ते शहर का आकार बहुत अजीब न हो। उन्होंने ठीक से गणना की कि यात्रियों को कितनी देर तक चलना चाहिए ताकि वे यह सुनिश्चित कर सकें कि उन्होंने एक अच्छा अनुमान लगाने के लिए पर्याप्त शहर देख लिया है।

5. समाधान: सफलता का नुस्खा

यह शोध पत्र मूल भार का अनुमान लगाने के लिए एक विशिष्ट नुस्खा (एल्गोरिदम) प्रदान करता है:

डेटा एकत्र करें: $K$ अलग-अलग यात्रियों को $T$ लंबाई की यात्राएँ करते हुए देखें।
क्रॉसिंग गिनें: गिनें कि वे कितनी बार विशिष्ट स्ट्रीट-पेयर्स (सड़कों के जोड़ों) को पार करते हैं।
मोमेंट्स (Moments) की गणना करें: इन गणनाओं का उपयोग विशिष्ट सांख्यिकीय औसत (जिन्हें "मोमेंट्स" कहा जाता है) की गणना करने के लिए करें। इसे "स्ट्रीट-पेयर्स के औसत लोकप्रियता" की गणना करने के रूप में समझें।
पहेली सुलझाएं: इन औसत मानों को "मैजिक फॉर्मूला" से प्राप्त समीकरणों में डालें ताकि मूल भार प्रकट हो सके।

6. आपको कितने डेटा की आवश्यकता है?

यह शोध पत्र इस प्रश्न का उत्तर देता है कि: "कितने यात्री ( $K$ ) और उन्हें कितनी लंबी यात्रा ( $T$ ) करनी होगी?"

उत्तर: यह शहर के आकार और बनावट पर निर्भर करता है।
- यदि शहर एक साधारण ग्रिड या एक पेड़ (tree) जैसा है, तो आपको यात्रियों की संख्या की आवश्यकता होती है जो शहर के बड़ा होने के साथ धीरे-धीरे (लॉगारिदमिक रूप से) बढ़ती है।
- हालाँकि, चलने का समय ( $T$ ) सबसे महंगा हिस्सा है। यात्रियों को पूरे शहर को कवर करने के लिए काफी लंबा चलना होगा। यदि शहर बहुत लंबा और पतला है (जैसे एक लंबा गलियारा), तो यात्रियों को अंत तक पहुँचने के लिए बहुत लंबे समय तक चलना पड़ेगा।
निर्णय: आपको बहुत अधिक चलने के समय की आवश्यकता है, लेकिन आपको अनंत यात्रियों की आवश्यकता नहीं है। एक मध्यम संख्या में लंबी यात्राएँ इस रहस्य को उच्च विश्वास के साथ सुलझाने के लिए पर्याप्त हैं।

सारांश

यह शोध पत्र उन जासूसों के लिए एक मार्गदर्शिका है जो किसी नेटवर्क (जैसे वेबसाइट या सोशल नेटवर्क) की "व्यक्तित्व" को यह देखकर रिवर्स-इंजीनियर करना चाहते हैं कि लोग उसमें कैसे चलते हैं। यह सिद्ध करता है कि एक व्यक्ति को अनंत काल तक देखना पर्याप्त नहीं है क्योंकि वे अपने स्वयं के व्यवहार में फँस जाते हैं। इसके बजाय, आपको कई लोगों को देखना होगा, यह सुनिश्चित करना होगा कि वे पूरे नेटवर्क का पता लगाएं, और फिर एक विशेष गणितीय लेंस ("मैजिक फॉर्मूला") का उपयोग करना होगा ताकि शोर (noise) को हटाकर मूल संरचना को प्रकट किया जा सके।

तकनीकी सारांश: एज-रीइन्फोर्स्ड रैंडम वॉक का सांख्यिकीय अनुमान (Statistical Estimation of Edge-Reinforced Random Walks)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक परिमित, संयुक्त, अनडिरेक्टेड ग्राफ $G = (V, E)$ पर एज-रीइन्फोर्स्ड रैंडम वॉक (ERRWs) के सांख्यिकीय अनुमान की समस्या को संबोधित करता है। मानक मार्कोव श्रृंखलाओं (Markov chains) के विपरीत, ERRWs में पथ-निर्भर संक्रमण संभावनाएँ (path-dependent transition probabilities) होती हैं, जहाँ किसी किनारे (edge) को पार करने की संभावना उसके कितनी बार उपयोग किया गया है, इस पर बढ़ती जाती है।

विशिष्ट उद्देश्य $K$ स्वतंत्र प्रक्षेपवक्रों (trajectories) की लंबाई $T$ के आधार पर प्रारंभिक किनारों के भार (या प्रारंभिक स्थानीय समय) $A = (a_e)_{e \in E} \in \mathbb{R}^E_{++}$ को पुनः प्राप्त करना है। लेखक $A$ और $\hat{A}$ के बीच एक अनुपात-आधारित विचलन $d(A, \hat{A})$ के माध्यम से अनुमान त्रुटि को परिभाषित करते हैं, जिसका लक्ष्य एक प्रविष्टि-वार गुणात्मक सन्निकटन (entry-wise multiplicative approximation) प्राप्त करना है।

शोध पत्र में शुरुआत में प्रस्तुत एक महत्वपूर्ण सैद्धांतिक निष्कर्ष यह है कि एकल प्रक्षेपवक्र (single trajectory) की अपर्याप्तता। यहाँ तक कि एक अनंत लंबाई वाले प्रक्षेपवक्र के साथ भी, यदि दो अलग-अलग प्रारंभिक भार वेक्टर $A$ और $\tilde{A}$ पर्याप्त रूप से करीब हैं, तो उन्हें उच्च संभाव्यता के साथ अलग करना असंभव है। ऐसा इसलिए है क्योंकि छोटे विचलन $\epsilon$ के लिए प्रेरित मिश्रण मापों (mixing measures) के बीच कुलबैक-लीब्लर (KL) विचलन $O(\epsilon^2)$ के रूप में स्केल करता है, जिससे परिकल्पना परीक्षण त्रुटि (hypothesis testing error) शून्य से दूर बनी रहती है। फलस्वरूप, यह शोध पत्र स्थापित करता है कि पैरामीटर रिकवरी के लिए कई स्वतंत्र प्रक्षेपवपथ ( $K \ge 1$ ) अनिवार्य रूप से आवश्यक हैं।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण रैंडम वॉक इन रैंडम एनवायरनमेंट (RWRE) के साथ ERRWs के गहरे संबंध का लाभ उठाता है, विशेष रूप से "मैजिक फॉर्मूला" (magic formula) का उपयोग करता है जो रैंडम एज कंडक्टेंस के मिश्रण माप (mixing measure) को अभिलक्षित करता है।

2.1 सैद्धांतिक ढांचा: RWRE और मिश्रण माप (Mixing Measures)

लेखक ERRW को प्रतिवर्ती मार्कोव श्रृंखलाओं (reversible Markov chains) के एक मिश्रण के रूप में देखते हैं। रैंडम एनवायरनमेंट $W$ (एज कंडक्टेंस) प्रारंभिक भार $A$ से व्युत्पन्न एक विशिष्ट मिश्रण माप $\mu_{v_0, A}$ से लिया जाता है। मुख्य अंतर्दृष्टि यह है कि प्रक्षेपवक्र $X$ में $A$ के बारे में सांख्यिकीय जानकारी रैंडम एनवायरनमेंट $W$ के माध्यम से मध्यस्थ होती है। अतः, अनुमान रणनीति निम्नलिखित दो-चरणीय तर्क का पालन करती है:

प्रक्षेपवपथों से रैंडम एनवायरनमेंट के मापदंडों (कंडक्टेंस के क्षणों/moments) का अनुमान लगाना।
इन क्षणों और प्रारंभिक भार $A$ के बीच के संबंध को उलटना (invert)।

2.2 सामान्यीकृत पद्धति ऑफ मोमेंट्स (GMM) अनुमानक

गैर-कॉन्केव लॉग-लाइक्लीहुड (non-concave log-likelihood) को अधिकतम करने के बजाय (जो गणनात्मक रूप से कठिन है), लेखक मिश्रण माप से प्राप्त विशिष्ट मोमेंट्स फॉर्मूला पर आधारित एक सामान्यीकृत पद्धति ऑफ मोमेंट्स (Generalized Method of Moments - GMM) अनुमानक का प्रस्ताव करते हैं।

परिभाषित प्रमुख सांख्यिकीय मात्राओं में शामिल हैं:

$U_e = P_{ij}P_{ji}$ एक किनारे $e=\{i,j\}$ के लिए, जहाँ $P$ रैंडम एनवायरनमेंट का ट्रांजिशन मैट्रिक्स है।
मोमेंट्स जैसे कि $\mathbb{E}[U_e]$ , $\mathbb{E}[U_e U_{e'}]$ , और कोवेरिएंस-समान पद $\Delta_{e,e'} = \mathbb{E}[U_e]\mathbb{E}[U_{e'}] - \mathbb{E}[U_e U_{e'}]$ ।

शोध पत्र इन अपेक्षाओं (expectations) के लिए प्रारंभिक भार $A$ और गामा फलन (Gamma function) के संदर्भ में स्पष्ट क्लोज्ड-फॉर्म अभिव्यक्तियाँ व्युत्पन्न करता है। उदाहरण के लिए:
$\mathbb{E}[U_e] = \frac{a_e(a_e+1)}{(a_i + 1 - \mathbb{I}_{i=v_0})(a_j + 1 - \mathbb{I}_{j=v_0})}$
जहाँ $a_v = \sum_{e \ni v} a_e$ है।

2.3 एल्गोरिदम प्रक्रिया

अनुमान एल्गोरिदम दो चरणों में आगे बढ़ता है:

मोमेंट अनुमान (Algorithm 2): $K$ प्रक्षेपवपथों से, स्थानीय विज़िट काउंट्स का उपयोग करके ट्रांजिशन प्रोबेबिलिटीज के लिए अनुभवजन्य अनुमानक (empirical estimators) निर्मित किए जाते हैं। इनका उपयोग $U_e$ और $U_e U_{e'}$ के अनुभवजन्य औसत की गणना करने के लिए किया जाता है।
पैरामीटर रिकवरी (Algorithm 1): अनुभवजन्य मोमेंट्स को प्रारंभिक भारों को हल करने के लिए सैद्धांतिक मोमेंट समीकरणों में डाला जाता है।
- डिग्री $\ge 2$ वाले वर्टिस (vertices) के लिए, भार $o_j = a_j + 1 - \mathbb{I}_{j=v_0}$ को दूसरे मोमेंट्स के अनुपात और पहले मोमेंट्स के अनुपात (Eq. 20) का उपयोग करके हल किया जाता है।
- डिग्री-1 वाले वर्टिस के लिए, भारों को पड़ोसियों का उपयोग करके पुनरावर्ती (recursively) रूप से प्राप्त किया जाता है।
- अंततः, $U_e$ के मोमेंट फॉर्मूला से प्राप्त द्विघात समीकरण (quadratic equation) को हल करके एज वेट्स $a_e$ प्राप्त किए जाते हैं।

3. प्रमुख योगदान और परिणाम (Key Contributions and Results)

3.1 गैर-एसिम्प्टोटिक सैंपल कॉम्प्लेक्सिटी बाउंड्स (Non-Asymptotic Sample Complexity Bounds)

मुख्य योगदान $A$ को एक मल्टीप्लिकेटिव एरर $\epsilon$ के भीतर $1-\delta$ विश्वास के साथ अनुमानित करने के लिए आवश्यक सैंपल कॉम्प्लेक्सिटी पर गैर-एसिम्प्टोटिक बाउंड्स का व्युत्पन्न है।

इसे प्राप्त करने के लिए, लेखक ERRW के कवर टाइम (cover time) का विश्लेषण करते हैं। वे एक "लिफ्टेड" मैजिक फॉर्मूला का उपयोग करते हैं जो रैंडम कंडक्टेंस को स्वतंत्र गामा फील्ड्स ( $\beta$ ) और हाइपरबोलिक गौसियन फील्ड्स ( $\phi$ ) के रूप में व्यक्त करता है।

टेल बाउंड्स (Tail Bounds): वे सामान्य ग्राफों पर हाइपरबोलिक गौसियन फील्ड $\phi$ के सुप्रीमम (supremum) के लिए टाइट टेल बाउंड्स स्थापित करते हैं (Theorem 2.6, Lemma 2.12)।
कवर टाइम बाउंड: वे सिद्ध करते हैं कि कवर टाइम $t_{cov}$ उच्च संभाव्यता के साथ $n^3 \log n \cdot (d_{max}/\delta)^{O(diam)}$ द्वारा सीमित है (Theorem 2.17)। यह बाउंड यह निर्धारित करने के लिए महत्वपूर्ण है कि ग्राफ के पर्याप्त अन्वेषण (exploration) को सुनिश्चित करने के लिए आवश्यक प्रक्षेपवक्र लंबाई $T$ क्या होनी चाहिए।

3.2 मुख्य प्रमेय (Theorem 2.20)

शोध पत्र एक कठोर गारंटी प्रदान करता है कि प्रस्तावित अनुमानक $\epsilon$ -मल्टीप्लिकेटिव सटीकता प्राप्त करता है यदि:

प्रक्षेपवपथों की संख्या ( $K$ ): $O\left( \frac{d_{max}^6}{\epsilon^2} \log \frac{n d_{max}}{\delta} \right)$ के रूप में स्केल करती है।
प्रक्षेपवक्र लंबाई ( $T$ ): $O\left( n^3 \log n \cdot \exp(O(diam)) \right)$ के रूप में स्केल करती है।
आंतरिक पैरामीटर ( $m$ ): सटीक ट्रांजिशन अनुमान के लिए प्रति स्टेट आवश्यक नमूनों की संख्या ग्राफ के व्यास (diameter) के साथ घातीय (exponentially) रूप से स्केल करती है।

कॉन्स्टेंट-डिग्री ग्राफ्स (जहाँ $d_{max} = O(1)$ है) के लिए, आवश्यक प्रक्षेपवपथों की संख्या $K$ केवल ग्राफ के आकार $n$ में लॉगैरिद्मिक है ( $K = O(\log n)$ )। हालाँकि, प्रक्षेपवपथ की लंबाई $T$ अभी भी कवर टाइम द्वारा नियंत्रित होती है, जो ग्राफ के व्यास पर घातीय रूप से निर्भर करती है।

3.3 एकल प्रक्षेपवक्र पर निचला बाउंड (Lower Bound on Single Trajectory)

शोध पत्र कठोरता से सिद्ध करता है कि एकल प्रक्षेपवपथ (अनंत लंबाई के साथ भी) पर आधारित कोई भी अनुमानक कुछ करीबी प्रारंभिक भार कॉन्फ़िगरेशन के बीच अंतर नहीं कर सकता है। इसे उन उदाहरणों का निर्माण करके प्रदर्शित किया गया है जहाँ मिश्रण मापों के बीच KL विचलन $O(\epsilon^2)$ है, जिससे परीक्षण त्रुटि (testing error) $1/2$ (रैंडम गेसिंग) के करीब पहुँच जाती है।

4. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि यह एज-रीइन्फोर्स्ड रैंडम वॉक के मापदंडों का अनुमान लगाने के लिए पहले सैद्धांतिक रूप से गारंटीकृत एल्गोरिदम प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

सिद्धांत और अनुमान के बीच सेतु बनाना: यह सफलतापूर्वक अमूर्त "मैजिक फॉर्मूला" और RWRE कनेक्शन को एक ठोस, गणना योग्य अनुमान प्रक्रिया में अनुवादित करता है।
एकाधिक प्रक्षेपवपथों की आवश्यकता: यह औपचारिक रूप से स्थापित करता है कि मिश्रण माप की प्रकृति के कारण ERRWs के लिए एकल-प्रक्षेपवपथ सीखना मौलिक रूप से असंभव है, जो कि मानक मार्कोव श्रृंखला अनुमान के विपरीत एक परिणाम है।
सैंपल कॉम्प्लेक्सिटी का लक्षण वर्णन: यह स्वतंत्र नमूनों ( $K$ ) और प्रत्येक नमूने की लंबाई ( $T$ ) के बीच के ट्रेड-ऑफ को मात्रात्मक रूप से परिभाषित करता है, यह रेखांकित करते हुए कि बाउंडेड-डिग्री ग्राफ्स के लिए, बाधा (bottleneck) नमूनों की संख्या के बजाय अन्वेषण समय (कवर टाइम) है।

लेखक अपने ऊपरी बाउंड्स (upper bounds) की टाइटनेस (tightness) के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि कवर टाइम और सैंपल कॉम्प्लेक्सिटी से संबंधित व्युत्पन्न बाउंड्स को अधिक परिष्कृत एल्गोरिदम के साथ सुधारा जा सकता है, लेकिन वर्तमान परिणाम समस्या की व्यवहार्यता के लिए एक ठोस सैद्धांतिक आधार प्रदान करते हैं। वे स्पष्ट रूप से कहते हैं कि पॉजिटिव-इंटीजर केस मौलिक रूप से कवर-टाइम बाधा को कम नहीं करता है, हालांकि यह प्रक्षेपवपथों की संख्या को कम करने में मदद कर सकता है।