📊 statistics

Rolled Gaussian process models for curves on manifolds

यह शोध पत्र "रोल्ड गॉसियन प्रोसेस" (rolled Gaussian processes) प्रस्तुत करता है, जो मैनिफोल्ड्स पर वक्रों के लिए एक जनरेटिव सांख्यिकीय मॉडल है जिसे बिना फिसले या मुड़े मैनिफोल्ड्स के साथ यूक्लिडियन गॉसियन प्रोसेस को रोल करके निर्मित किया गया है, और यह ऐसे डेटा पर सांख्यिकीय अनुमान के लिए स्थितियाँ, अनुमानक (estimators) और अभिसरण दरें (convergence rates) प्रदान करता है।

मूल लेखक: Simon Preston, Karthik Bharath, Pablo Lopez-Custodio, Alfred Kume

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Simon Preston, Karthik Bharath, Pablo Lopez-Custodio, Alfred Kume

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 मानचित्रकार (cartographer) हैं जो एक घुमावदार दुनिया, जैसे कि एक गोले (sphere) की सतह, का नक्शा बनाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल कागज का एक सपाट पन्ना और एक रूलर है। यह वह मौलिक चुनौती है जिसका सामना सांख्यिकीविद (statisticians) तब करते हैं जब वे ऐसे डेटा का विश्लेषण करते हैं जो सीधी रेखाओं (flat, straight lines) के बजाय "घुमावदार" आकृतियों (manifolds) पर आधारित होता है।

यह शोध पत्र एक चतुर नए उपकरण को पेश करता है जिसे रोल्ड गॉसियन प्रोसेस (Rolled Gaussian Process) कहा जाता है। यहाँ बताया गया है कि यह कैसे काम करता है, जिसे रोजमर्रा के उपमाओं (analogies) के माध्यम से समझाया गया है।

1. समस्या: "फ्लैट मैप" की दुविधा

सांख्यिकी में, वक्रों (जैसे समय के साथ शेयर की कीमत या दिल की धड़कन) को मॉडल करने के लिए सबसे लोकप्रिय उपकरण गॉसियन प्रोसेस (Gaussian Process) है। इसे एक "स्मार्ट रबर बैंड" के रूप में सोचें जो जानता है कि एक माध्य (औसत पथ) और एक कोवेरिएंस (यह कितना हिलता-डुलता है) के आधार पर कैसे मुड़ना, खिंचना और घूमना है।

हालाँकि, यह उपकरण केवल सपाट, यूक्लिडियन स्थान (जैसे ग्राफ पेपर का एक मानक टुकड़ा) पर ही पूरी तरह से काम करता है।

समस्या: कई वास्तविक दुनिया के डेटा बिंदु सपाट कागज पर नहीं रहते। वे गोलों (जैसे GPS प्रक्षेपवक्र/trajectories) पर, आकृतियों पर (जैसे एक रोबोटिक हाथ के 3D रोटेशन), या जटिल मैट्रिसेस पर रहते हैं।
पुराना तरीका: पहले, सांख्यिकीविद इन घुमावदार दुनियाओं को एक सपाट स्पर्श तल (tangent plane) पर प्रोजेक्ट करके "सपाट" करने की कोशिश करते थे (जैसे संतरे के छिलके को मेज पर सपाट करने की कोशिश करना)। समस्या यह है कि छिलका फट जाता है और खिंच जाता है। इससे दूरियां और कोण विकृत हो जाते हैं, जिससे सांख्यिकीय मॉडल गलत हो जाता है।

2. समाधान: "नो-स्लिप रोलिंग" (बिना फिसले लुढ़कने) की ट्रिक

लेखक एक अलग दृष्टिकोण प्रस्तावित करते हैं जो ज्यामिति की एक क्लासिक अवधारणा से प्रेरित है: बिना फिसले लुढ़कना (Rolling without slipping)।

कल्पना कीजिए कि आपके पास एक छोटा गोला और कागज का एक सपाट पन्ना है।

सेटअप: आप कागज पर एक टेढ़ी-मेढ़ी रेखा खींचते हैं।
क्रिया: आप उस कागज पर गोले को रखते हैं और उस रेखा के साथ उसे लुढ़काते हैं। महत्वपूर्ण बात यह है कि आप इसे बिना फिसले (कागज गेंद के नीचे से फिसले बिना) और बिना मुड़े (गेंद बगल में न घूमे) करते हैं।
परिणाम: जैसे-जैसे गेंद लुढ़कती है, वह अपनी सतह पर एक नया, अद्वितीय पथ बनाती है।

जादू: यह लुढ़कने की क्रिया सपाट कागज और घुमावदार गोले के बीच एक पूर्ण, विकृति-मुक्त लिंक बनाती है। कागज पर मौजूद हर बिंदु घुमावदार रेखा पर ठीक एक बिंदु के अनुरूप होता है, और उनके बीच की दूरियां सुरक्षित रहती हैं।

3. नया मॉडल: डेटा को "रोल" करना

लेखक इस भौतिक विचार का उपयोग एक सांख्यिकीय मॉडल बनाने के लिए करते हैं:

चरण 1: एक फ्लैट मॉडल बनाएं। सबसे पहले, वे एक मानक, आसानी से समझ में आने वाला गॉसियन प्रोसेस एक सपाट स्पर्श स्थान (कागज) पर डिजाइन करते हैं। वे तय करते हैं कि औसत पथ कैसा दिखेगा और उसमें कितना उतार-चढ़ाव होगा।
चरण 2: इसे वक्र पर रोल करें। वे इस फ्लैट मॉडल को लेते हैं और इसे घुमावदार मैनिफोल्ड (गोले) पर "रोल" करते हैं।
चरण 3: परिणाम। परिणाम एक रोल्ड गॉसियन प्रोसेस है। यह एक यादृच्छिक वक्र (random curve) है जो घुमावदार आकार पर रहता है, लेकिन यह फ्लैट मॉडल के सभी अच्छे सांख्यिकीय गुणों को विरासत में प्राप्त करता है।

यह क्यों शानदार है?
क्योंकि रोलिंग एक "परफेक्ट फिट" है, इसलिए गणित साफ रहता है। आपको उन विकृतियों की चिंता करने की आवश्यकता नहीं है जो एक गोले को सपाट करने की कोशिश में होती हैं। यह मॉडल डेटा की प्राकृतिक ज्यामिति का सम्मान करता है।

4. विश्लेषण के लिए अनरोलिंग (अनपैकिंग ट्रिक)

अब, कल्पना कीजिए कि आपके पास वास्तविक दुनिया का डेटा है (जैसे, एक रोबोटिक हाथ के हिलने के 60 रिकॉर्डिंग)। आप "औसत" गति और यह भी जानना चाहते हैं कि रोबोट में कितनी भिन्नता है।

चुनौती: आप रोबोट की स्थितियों का सीधे औसत नहीं निकाल सकते क्योंकि वे एक घुमावदार सतह (SO(3), 3D रोटेशन का स्थान) पर हैं।
समाधान: लेखकों ने एक उल्टा प्रक्रम (reverse process) बनाया जिसे "अनरैपिंग" (Unwrapping) कहा जाता है।
- वे रोबोट के घुमावदार पथों को लेते हैं और उन्हें वापस सपाट स्पर्श स्थान (कागज) पर "अनरोल" करते हैं।
- अब, डेटा फिर से सपाट है!
- वे औसत पथ और भिन्नता (कोवेरिएंस) की गणना करने के लिए मानक, सरल गणित का उपयोग कर सकते हैं।
- अंत में, वे परिणाम दिखाने के लिए उस औसत को वापस गोले पर "रोल" करते हैं।

5. वास्तविक दुनिया के अनुप्रयोग

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि यह काम करता है और तीन परिदृश्यों पर इसका परीक्षण करता है:

यूनिट स्फीयर (Unit Sphere): ग्लोब पर पथों का अनुकरण (simulation)।
सिमेट्रिक मैट्रिसेस (Symmetric Matrices): ऐसे डेटा का मॉडलिंग जो आकृतियों या कोवेरिएंस संरचनाओं का प्रतिनिधित्व करता है (जो मेडिकल इमेजिंग में सामान्य है)।
रोबोटिक्स: एक रोबोटिक हाथ के ओरिएंटेशन का विश्लेषण। एक वास्तविक प्रयोग में, उन्होंने एक रोबोटिक हाथ के 60 बार चलने को रिकॉर्ड किया। उनके तरीके का उपयोग करके, वे गणितीय रूप से सिद्ध कर सके कि रोबोट दो अलग-अलग सत्रों में अलग तरह से चला, जिसे मानक विधियां डेटा की वक्रता के कारण शायद मिस कर देतीं।

सारांश

इस शोध पत्र को घुमावदार डेटा के लिए एक विकृति-मुक्त अनुवादक (distortion-free translator) के रूप में देखें।

पुराना तरीका: एक घुमावदार दुनिया को सपाट करने की कोशिश करना, जो डेटा को खींच देता है और तोड़ देता है।
नया तरीका: डेटा को सड़क पर टायर की तरह रोल करना। यह आकार को एकदम सही रखता है, जिससे सांख्यिकीविदों को रोबोट की गतिविधियों, मस्तिष्क के स्कैन और ग्रहों के प्रक्षेपवक्र जैसी जटिल, घुमावदार वास्तविकताओं को समझने के लिए सरल, शक्तिशाली उपकरणों का उपयोग करने की अनुमति मिलती है।

यह मानक सांख्यिकी की सरल, सपाट दुनिया और आधुनिक डेटा की जटिल, घुमावदार दुनिया के बीच एक सेतु है।

यहाँ Preston et al. के शोध पत्र "Rolled Gaussian process models for curves on manifolds" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक सांख्यिकीय अनुप्रयोगों में डेटा तेजी से एक रिमानियन मैनिफोल्ड (Riemannian manifold) $\mathcal{M}$ पर स्थित वक्रों (curves) $t \mapsto x(t)$ के रूप में उत्पन्न हो रहा है (जैसे कि स्फेयर्स पर प्रक्षेपवक्र, शेप स्पेस में आकार, कोवेरियेंस मैट्रिसेस, या 3D ओरिएंटेशन)। जबकि यूक्लिडियन स्पेस ( $\mathbb{R}^d$ ) में वक्रों को मॉडल करने के लिए गाऊसी प्रक्रियाएं (Gaussian Processes - GPs) अपनी सुगमता और समृद्ध कोवेरियेंस संरचनाओं के कारण मानक उपकरण हैं, उन्हें नॉन-लीनियर मैनिफोल्ड्स तक विस्तारित करना चुनौतीपूर्ण है।

मौजूदा दृष्टिकोणों की महत्वपूर्ण सीमाएँ हैं:

टैंजेंट स्पेस प्रोजेक्शन (Tangent Space Projections): पूरे मैनिफोल्ड को एक एकल टैजेंट स्पेस में मैप करना (फ्लैटनिंग) ज्यामितीय विकृतियाँ (geometric distortions) पैदा करता है, विशेष रूप से बड़े विचलन (large deviations) के मामले में।
स्टोकेस्टिक डिफरेंशियल इक्वेशंस (SDEs): इनट्रिन्सिक ब्राउनियन मोशन मॉडल जनरेटिव मॉडलिंग की अनुमति देते हैं, लेकिन वे मार्कोवियन बाधाओं (जो कोवेरियंस संरचनाओं को सीमित करती हैं) और कम्प्यूटेशनल जटिलता (जहाँ लाइकलीहुड की गणना कठिन है और सटीक सिमुलेशन मुश्किल है) से ग्रस्त हैं।
डिस्क्रिप्टिव पीसीए (Descriptive PCA): मैनिफोल्ड पर प्रिंसिपल कंपोनेंट एनालिसिस अक्सर एक बेस कर्व के साथ अमूर्त कोवेरियेंस परिभाषाओं पर निर्भर करता है, जो स्पष्ट एस्टिमेटर कन्वर्जेंस रेट के बिना एक एकीकृत जनरेटिव फ्रेमवर्क प्रदान नहीं करता है।

मुख्य समस्या यह परिभाषित करना है कि मैनिफोल्ड-वैल्यूड वक्रों के लिए एक जनरेटिव सांख्यिकीय मॉडल क्या होगा जो $\mathcal{M}$ की ज्यामितीय संरचना को सुरक्षित रखे, लचीली कोवेरियंस मॉडलिंग की अनुमति दे, और कठोर सांख्यिकीय अनुमान (अनुमान और परिकल्पना परीक्षण) का समर्थन करे।

2. कार्यप्रणाली: रोलिंग फ्रेमवर्क (Methodology: The Rolling Framework)

लेखक "रोलिंग" की ज्यामितीय अवधारणा पर आधारित एक नवीन दृष्टिकोण प्रस्तावित करते हैं, जिसमें मैनिफोल्ड को बिना फिसले या बिना मुड़े (without slipping or twisting) एक वक्र के साथ रोल किया जाता है। यह मैनिफोल्ड और एक टैजेंट स्पेस के बीच एक स्थानीय आइसोमेट्री (local isometry) प्रेरित करता है।

चार मानचित्र (The Four Maps)

यह कार्यप्रणाली चार विशिष्ट मानचित्रों पर आधारित है जो मैनिफोल्ड $\mathcal{M}$ और एक निश्चित टैजेंट स्पेस $T_b\mathcal{M}$ (जिसे $\mathbb{R}^d$ के रूप में पहचाना जाता है) के बीच आवाजाही को सुगम बनाते हैं:

अनरोलिंग ( $\downarrow$ ): मैनिफोल्ड $\mathcal{M}$ पर एक वक्र $\gamma$ को टैजेंट स्पेस $T_b\mathcal{M}$ में एक वक्र $\gamma^\downarrow$ में मैप करता है। इसे वेग वेक्टर के पैरेलल ट्रांसपोर्ट के माध्यम से परिभाषित किया गया है: $\dot{\gamma}^\downarrow(t) = P^{\gamma}_{0 \leftarrow t} \dot{\gamma}(t)$ ।
रोलिंग ( $\uparrow$ ): अनरोलिंग का विलोम; $T_b\mathcal{M}$ में एक वक्र को वापस $\mathcal{M}$ पर मैप करता है।
अनरैपिंग ( $\downarrow^\gamma$ ): एक संदर्भ वक्र $\gamma$ के सापेक्ष मैनिफोल्ड $\mathcal{M}$ पर एक वक्र $x$ को $T_b\mathcal{M}$ में मैप करता है। यह प्रत्येक बिंदु पर इनवर्स एक्सपोनेंशियल मैप (लॉगारिदम) को बेस टैजेंट स्पेस में पैरेलल ट्रांसपोर्ट के साथ जोड़ता है।
रैपिंग ( $\uparrow^\gamma$ ): अनरैपिंग का विलोम; $\gamma$ के सापेक्ष $T_b\mathcal{M}$ में एक वक्र को वापस $\mathcal{M}$ पर मैप करता है।

रोल्ड गाऊसी प्रोसेस (The Rolled Gaussian Process - RGP):
मॉडल का निर्माण इस प्रकार किया जाता है:

$\mathbb{R}^d$ में एक मानक यूक्लिडियन गाऊसी प्रोसेस $z(t) \sim \text{GP}(m, K)$ को परिभाषित करना।
$z$ को $T_b\mathcal{M}$ में मैप करके $y_b(t)$ प्राप्त करना।
माध्य फलन $m_b$ (जो $m$ का $T_b\mathcal{M}$ में प्रतिबिंब है) के रोलिंग के रूप में एक संदर्भ वक्र $\gamma$ को परिभाषित करना।
संदर्भ वक्र $\gamma$ के चारों ओर सेंटर्ड प्रोसेस $y_b(t) - m_b(t)$ को रैप करके $\mathcal{M}$ पर अंतिम रैंडम कर्व $x(t)$ उत्पन्न करना।

यह निर्माण सुनिश्चित करता है कि परिणामी प्रक्रिया $x$ , $\gamma$ के अनुदिश एक "कोवेरिएंट गाऊसी वेक्टर फील्ड" है, जहाँ कोवेरियेंस संरचना को पैरेलल ट्रांसपोर्ट के माध्यम से संरक्षित किया जाता है।

3. मुख्य योगदान (Key Contributions)

A. सैद्धांतिक आधार (Theoretical Foundations)

इक्विवैरिएंस (Equivariance): लेखक यह सिद्ध करते हैं कि रोल्ड गाऊसी प्रोसेस का वितरण बेस पॉइंट $b$ और टैजेंट स्पेस में ऑर्थोनॉर्मल फ्रेम $U$ के चयन के प्रति इक्विवैरिएंट है। यह सुनिश्चित करता है कि मॉडल मैनिफोल्ड की ज्यामिति के प्रति इनट्रिन्सिक (intrinsic) है।
फ्रेचेट मीन कोइन्सिडेंस (Fréchet Mean Coincidence): एक महत्वपूर्ण सैद्धांतिक परिणाम (Theorem 4.1) उन स्थितियों को स्थापित करता है जिनमें यूक्लिडियन मीन की रोलिंग ( $m^\uparrow_b$ $m_{b}^{↑}$ ), परिणामी मैनिफोल्ड प्रोसेस के फ्रेचेट मीन के बराबर होती है। यह तब होता है यदि:
- $\mathcal{M}$ एक हेडेमार्ड मैनिफोल्ड (Hadamard manifold) है (नॉन-पॉजिटिव कर्वेचर, जैसे कि सिमेट्रिक पॉजिटिव डेफिनिट मैट्रिसेस)।
- $\mathcal{M}$ एक सिमेट्रिक स्पेस है और वितरण में जियोडेसिक सिमेट्री मौजूद है।
  यह परिणाम महत्वपूर्ण है क्योंकि यह जटिल फ्रेचेट मीन को केवल यूक्लिडियन मीन को रोल करके अनुमानित करने की अनुमति देता है।

B. अनुमान और कन्वर्जेंस रेट्स (Estimation and Convergence Rates)

लेखक देखे गए डेटा वक्रों को एक एकल टैजेंट स्पेस पर अनरैप करने के आधार पर मीन और कोवेरियेंस पैरामीटर्स के लिए एस्टिमेटर्स विकसित करते हैं।

एस्टिमेटर्स: वे सैंपल फ्रेचेट मीन कर्व के सापेक्ष डेटा को अनरैप करके मीन $m$ और कोवेरियेंस $K$ के लिए सरल एस्टिमेटर्स प्रस्तावित करते हैं।
$C^1$ कन्वर्जेंस: एक प्रमुख सैद्धांतिक योगदान यह सिद्ध करना है कि सैंपल फ्रेचेट मीन कर्व, जनसंख्या फ्रेचेट मीन की $C^1$ टोपोलॉजी में अभिसरण (convergence) करता है (वक्र और उसके डेरिवेटिव दोनों का अभिसरण) जो कि इष्टतम यूक्लिडियन दर $O_P(n^{-1/2})$ है। पिछला साहित्य आमतौर पर केवल यूनिफॉर्म ( $C^0$ ) कन्वर्जेंस स्थापित करता था।
इष्टतम दरें (Optimal Rates): मीन और कोवेरियेंस फंक्शन्स के लिए एस्टिमेटर्स, यूक्लिडियन सेटिंग की तरह ही समान इष्टतम कन्वर्जेंस रेट प्राप्त करते हैं, बशर्ते कि मैनिफोल्ड बाउंडेड ज्योमेट्री और कर्वेचर की शर्तों को पूरा करता हो।

C. डिस्क्रीट डेटा के लिए पैरामीट्रिक मॉडल (Parametric Models for Discrete Data)

वास्तविक दुनिया के डेटा के डिस्क्रीट होने को देखते हुए, लेखक बेस फंक्शन्स (जैसे B-splines) का उपयोग करके एक पैरामीट्रिक संस्करण पेश करते हैं।

वे डिस्क्रीट-टाइम कर्व्स के लिए रोल्ड मैट्रिक्स नॉर्मल (RMN) डिस्ट्रीब्यूशन को परिभाषित करते हैं।
वे मापदंडों के लिए मैक्सिमम लाइकलीहुड एस्टिमेटर्स (MLE) और लीस्ट स्क्वायर्स एस्टिमेटर्स के साथ-साथ गणना के लिए इटरेटिव एल्गोरिदम प्रदान करते हैं।
वे मैनिफोल्ड्स पर मीन कर्व्स की तुलना करने के लिए एक टू-सैंपल टेस्ट (Hotelling's $T^2$ के समान) भी निकालते हैं, जो नॉन-यूक्लिडियन ज्यामिति को संभालने के लिए परम्यूटेशन टेस्ट का उपयोग करता है।

4. परिणाम और अनुप्रयोग (Results and Applications)

लेखक अपने कार्यप्रणाली को संख्यात्मक उदाहरणों और एक वास्तविक अनुप्रयोग के माध्यम से सत्यापित करते हैं:

सिंथेटिक उदाहरण:
- यूनिट स्फीयर ( $S^2$ ): रोलिंग/रैपिंग मैकेनिक्स को प्रदर्शित करने के लिए हेटरोसेडास्टिक (heteroscedastic) वक्रों का अनुकरण करना।
- सिमेट्रिक पॉजिटिव डेफिनिट मैट्रिसेस ( $\text{Sym}_{>0}(2)$ ): एक नॉन-कॉम्पैक्ट, नेगेटिवली कर्व्ड मैनिफोल्ड पर मॉडल का प्रदर्शन करना। संख्यात्मक परिणाम पुष्टि करते हैं कि सैंपल साइज बढ़ने के साथ एस्टिमेटर्स का कन्वर्जेंस होता है।
रोबोटिक्स अनुप्रयोग:
- डेटा: एक फ्रैंका रोबोट आर्म के एंड-एफेक्टर (Franka robot arm's end-effector) के ओरिएंटेशन ( $SO(3)$ के तत्व) जो 60 बार एक कार्य कर रहा है।
- विश्लेषण: मॉडल ने सफलतापूर्वक औसत प्रक्षेपवक्र (mean trajectory) और हेटरोसेडास्टिक परिवर्तनशीलता (रोबोट के हिलने के साथ बढ़ती हुई वेरिएंस) को कैप्चर किया।
- अनुमान (Inference): दो सत्रों (sessions) में एकत्र किए गए डेटा पर एक टू-सैंपल टेस्ट किया गया। टेस्ट स्टैटिस्टिक नल डिस्ट्रीब्यूशन (परम्यूटेशन के माध्यम से) की तुलना में अत्यधिक भिन्न था, जिससे निर्णायक प्रमाण मिला कि दोनों सत्रों के मीन ट्राजेक्टरीज काफी भिन्न थे।

5. महत्व (Significance)

यह कार्य एक कम्प्यूटेशनल रूप से व्यवहार्य, जनरेटिव और सैद्धांतिक रूप से कठोर फ्रेमवर्क प्रदान करके ज्यामितीय सांख्यिकी के एक महत्वपूर्ण अंतर को पाटता है।

जनरेटिव शक्ति: डिस्क्रिप्टिव PCA के विपरीत, यह एक पूर्ण प्रोबेबिलिस्टिक मॉडल है जो सिमुलेशन और लाइकलीहुड-आधारित अनुमान की क्षमता रखता है।
ज्यामितीय निष्ठा (Geometric Fidelity): रोलिंग/अनरोलिंग का उपयोग करके, यह मॉडल ग्लोबल प्रोजेक्शन विधियों से होने वाली विकृतियों से बचता है और मानक यूक्लिडियन GP मशीनरी का उपयोग करने की क्षमता बनाए रखता है।
सांख्यिकीय कठोरता: $C^1$ कन्वर्जेंस रेट और इष्टतम अनुमान दरों का व्युत्पन्न एक मजबूत सैद्धांतिक आधार प्रदान करता है जो पहले मैनिफोल्ड-वैल्यूड कर्व डेटा के लिए गायब था।
व्यावहारिक उपयोगिता: रोबोटिक्स, मेडिकल इमेजिंग और शेप एनालिसिस के लिए दृष्टिकोण को तुरंत लागू करने योग्य बनाने के लिए डिस्क्रीट-टाइम पैरामीट्रिक मॉडल और हाइपोथेसिस टेस्टिंग टूल्स का समावेश किया गया है।

संक्षेप में, यह शोध पत्र "रोलिंग" की अमूर्त अवधारणा को एक व्यावहारिक सांख्यिकीय इंजन में बदल देता है, जिससे जटिल, नॉन-यूक्लिडियन डेटा संरचनाओं पर शक्तिशाली गाऊसी प्रोसेस टूल्स का अनुप्रयोग संभव हो जाता है।