📊 statistics

A Kolmogorov-Arnold Neural Model for Cascading Extremes

यह शोध पत्र KANE को प्रस्तुत करता है, जो अत्यधिक मान सिद्धांत (extreme value theory) और एक प्राकृतिक प्रवर्तन परत (natural enforcement layer) से सुसज्जित एक नवीन कोलमोगोरोव-आर्नोल्ड नेटवर्क है, जो भूकंप द्वारा सुनामी उत्पन्न करने जैसी कैस्केडिंग चरम घटनाओं की सशर्त प्रायिकता का सटीक आकलन करने के लिए भूकंप विज्ञान और जलवायु विज्ञान में कठोर संख्यात्मक अध्ययन और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से किया गया है।

मूल लेखक: Miguel de Carvalho, Clemente Ferrer, Ronny Vallejos

प्रकाशित 2026-02-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Miguel de Carvalho, Clemente Ferrer, Ronny Vallejos

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

मुख्य विचार: आपदाओं का डोमिनो प्रभाव (Domino Effect)

कल्पना कीजिए कि डोमिनो की एक कतार रखी है। आमतौर पर, हम पहले डोमिनो के गिरने की चिंता करते हैं। लेकिन वास्तविक दुनिया में, आपदाएं अक्सर एक श्रृंखला में होती हैं: एक विशाल भूकंप (पहला डोमिनो) सुनामी (दूसरा डोमिनो) को गिरा देता है, जो फिर एक परमाणु पिघलने (तीसरा डोमिनो) को ट्रिगर कर सकता है।

वैज्ञानिक इस बात की भविष्यवाणी करने में कुशल रहे हैं कि पहले डोमिनो के गिरने की कितनी संभावना है। हालाँकि, उन्हें श्रृंखला प्रतिक्रिया (chain reaction) की भविष्यवाणी करने में संघर्ष करना पड़ा है: यह देखते हुए कि अभी एक बड़ा भूकंप आया है, सुनामी आने की कितनी संभावना है, और भूकंप कहाँ हुआ या वह कितना गहरा था, इस आधार पर वह संभावना कैसे बदलती है?

यह शोध पत्र उस विशिष्ट प्रश्न का उत्तर देने के लिए एक नया उपकरण पेश करता है। वे इसे POC सतह (संभावना का प्रसार - Probability of Cascade) कहते हैं। इसे एक "जोखिम मानचित्र" (risk map) के रूप रूप में समझें जो न केवल यह बताता है कि क्या कोई आपदा आने वाली है, बल्कि यह भी बताता है कि विशिष्ट स्थितियों (जैसे स्थान या गहराई) के आधार पर एक आपदा द्वारा दूसरी आपदा को ट्रिगर करने की कितनी संभावना है।

पुराने उपकरणों के साथ समस्या

अत्यधिक घटनाओं (extreme events) के लिए पारंपरिक सांख्यिकीय उपकरण एक कठोर, पूर्व-निर्मित सांचे की तरह होते हैं। वे मान लेते हैं कि आपदाएं सरल, अनुमानित पैटर्न में होती हैं। लेकिन प्रकृति जटिल है।

वे अक्सर घटनाओं के क्रम (Earthquake $\to$ Tsunami, न कि Tsunami $\to$ Earthquake) को अनदेखा कर देते हैं।
वे फीडबैक लूप (जहाँ एक घटना अगली घटना की संभावना को जटिल तरीकों से बढ़ा देती है) को संभालने में संघर्ष करते हैं।
वे नई जानकारी जोड़ने पर आसानी से अनुकूलित नहीं हो पाते (जैसे "क्या भूकंप गहरा है या उथला?")।

समाधान: एक विशेष प्रकार का न्यूरल नेटवर्क

लेखकों ने एक नया प्रकार का कंप्यूटर मस्तिष्क (एक न्यूरल नेटवर्क) बनाया है जिसे विशेष रूप से इन श्रृंखला प्रतिक्रियाओं को सीखने के लिए डिज़ाइन किया गया है। वे इसे KANE (नेचुरल एनफोर्समेंट के साथ कोलोग्मोरोव-आर्नोल्ड नेटवर्क) कहते हैं।

यह कैसे काम करता है, इसके लिए एक सरल उपमा देखें:

1. "रशियन डॉल" गणित (कोलोग्मोरोव का प्रमेय)

इस मॉडल के पीछे का गणित 1950 के दशक के एक प्रसिद्ध प्रमेय पर आधारित है। कल्पना कीजिए कि आपके पास एक विशाल, जटिल 3D मूर्ति (एक जटिल आपदा पैटर्न) है। यह प्रमेय कहता है कि आपको इसे समझाने के लिए एक विशाल, जटिल मशीन की आवश्यकता नहीं है। आप वास्तव में इसे एक-दूसरे के ऊपर साधारण, एक-आयामी मिट्टी की पट्टियों को रखकर बना सकते हैं।

कंप्यूटर की भाषा में, इसका अर्थ है कि मॉडल एक जटिल समस्या को कई छोटे, सरल एक-आयामी पहेलियों में तोड़ देता है, उन्हें हल करता है, और फिर उत्तरों को एक साथ जोड़ देता है। यह मॉडल को बहुत कुशल और लचीला बनाता है।

2. "नेचुरल एनफोर्समेंट" (सुरक्षा गार्ड)

यहाँ एक चतुर मोड़ है। मॉडल एक संभावना (probability) की भविष्यवाणी करने की कोशिश कर रहा है। संभावनाओं को हमेशा 0% और 100% के बीच होना चाहिए।

पुराने मॉडल कभी-कभी भ्रमित हो जाते हैं और 110% या -5% की संभावना बताते हैं, जिसका कोई अर्थ नहीं है।
KANE के पास अंत में एक विशेष "सुरक्षा गार्ड" परत होती है। इसे एक फनल (कीप) की तरह समझें जो हर आउटपुट को 0-से-1 की सीमा में दबाने के लिए मजबूर करता है। अंदर का गणित कितना भी अनियंत्रित क्यों न हो जाए, अंतिम उत्तर एक वैध संभावना होने की गारंटी है। यही वह चीज़ है जिसे वे "नेचुरल एनफोर्समेंट" कहते हैं।

उन्होंने इसका परीक्षण कैसे किया

लेखकों ने केवल सिद्धांत की बात नहीं की; उन्होंने दो तरीकों से इसका परीक्षण किया:

नकली आपदाएँ (सिमुलेशन): उन्होंने कंप्यूटर पर हजारों नकली भूकंप और सुनामी बनाईं। वे खेल के "वास्तविक" नियमों को जानते थे। जब उन्होंने KANE को आज़माया, तो इसने नियमों को सफलतापूर्वक सीखा और श्रृंखला प्रतिक्रियाओं की लगभग सटीक भविष्यवाणी की, भले ही डेटा शोर (noisy) वाला था।
वास्तविक आपदाएँ (केस स्टडीज):
- भूकंप और सुनामी: उन्होंने पिछले कुछ हज़ार वर्षों के वास्तविक डेटा को इसमें डाला। मॉडल ने सीखा कि कुछ स्थानों पर (जैसे चिली के तट पर) भूकंप सुनामी को ट्रिगर करने की संभावना अन्य स्थानों की तुलना में बहुत अधिक होती है। इसने यह भी सीखा कि गहरे भूकंप सुनामी का कारण बनने की कम संभावना रखते हैं।
- समुद्री गर्मी और तूफान: उन्होंने देखा कि अत्यधिक समुद्री तापमान किस प्रकार विभिन्न प्रकार के तूफानों (कमजोर उष्णकटिबंधीय अवसाद से लेकर विशाल तूफान तक) को ट्रिगर करता है। मॉडल ने सफलतापूर्वक मानचित्रित किया कि गर्म पानी तूफान के शक्तिशाली होने की संभावना को कैसे बढ़ाता है।

निष्कर्ष

यह शोध पत्र आपदा जोखिम के लिए एक नया "स्मार्ट मैप" प्रस्तुत करता है। केवल यह पूछने के बजाय कि "क्या कोई आपदा होगी?", यह पूछता है, "यदि कोई आपदा होती है, तो दूसरी आपदा को ट्रिगर करने की कितनी संभावना है, और स्थानीय स्थितियाँ उन संभावनाओं को कैसे बदलती हैं?"

कोलोग्मोरोव सुपरपोजिशन (Kolmogorov superposition) के विशेष गणितीय तरीके का उपयोग करके और संभावनाओं को यथार्थवादी रखने के लिए एक सुरक्षा गार्ड जोड़कर, यह नया उपकरण (KANE) हमें चरम घटनाओं के डोमिनो प्रभावों को पहले से कहीं बेहतर समझने में मदद करता है। यह न केवल पहले डोमिनो के गिरने की भविष्यवाणी करने की ओर एक कदम है, बल्कि पूरी श्रृंखला की भविष्यवाणी करने की ओर एक कदम है।

तकनीकी सारांश: एक कोलमोगोरोव-आर्नोल्ड न्यूरल मॉडल (Kolmogorov–Arnold Neural Model) कैस्केडिंग एक्सट्रीम्स के लिए

समस्या विवरण
यह शोध पत्र "कैस्केडिंग एक्सट्रीम इवेंट्स" (cascading extreme events) को मॉडल करने की महत्वपूर्ण चुनौती को संबोधित करता है, जहाँ एक चरम घटना (जैसे, भूकंप) एक आगामी चरम घटना (जैसे, सुनामी) को ट्रिगर करती है। जबकि एक्सट्रीम वैल्यू थ्योरी (EVT) एकल चरम घटनाओं के जोखिम का अनुमान लगाने के लिए वितरण की पूंछ (tails) में एक्सट्रपलेशन करने हेतु मजबूत रूपरेखा प्रदान करती है, मौजूदा मल्टीवेरिएट EVT दृष्टिकोण इस संदर्भ में अपर्याप्त हैं। विशेष रूप से, मानक मल्टीवेरिएट EVT निम्नलिखित में विफल रहता है: (i) विशिष्ट घटनाओं की ट्रिगरिंग भूमिका को ध्यान में रखना; (ii) कैस्केड्स के अनुक्रमिक क्रम को पकड़ना; और (iii) घटनाओं के बीच फीडबैक लूप्स को मॉडल करना। इसके अलावा, जबकि अभ्यासी यह पहचानते हैं कि चरम घटनाएं अक्सर जटिल अनुक्रमों में होती हैं, EVT परिप्रेक्ष्य से इन डोमिनो प्रभावों की सांख्यिकीय मॉडलिंग अभी भी अल्पविकसित है।

कार्यप्रणाली (Methodology)
लेखक एक नवीन रूपरेखा प्रस्तावित करते हैं जो POC (प्रोबेबिलिटी ऑफ कैस्केड) सरफेस पर केंद्रित है, जो यह मात्रात्मक रूप से निर्धारित करती है कि एक ट्रिगर घटना $Y_x > u$ के परिणामस्वरूप एक अनुवर्ती घटना $I_{u,x} = 1$ होने की सशर्त प्रायिकता क्या है, दिए गए फीचर वेक्टर $x$ के आधार पर। मुख्य पद्धतिगत नवाचार कोलमोगोरोव-आर्नोल्ड नेटवर्क्स (KAN) के साथ EVT का एकीकरण है।

सैद्धांतिक आधार: यह दृष्टिकोण कोलमोगोरोव के सुपरपोजिशन प्रमेय पर आधारित है, जो बताता है कि किसी भी निरंतर मल्टीवेरिएट फंक्शन को यूनिवेरिएट फंक्शन्स के कंपोजिशन के एक परिमित योग के रूप में दर्शाया जा सकता है।
$f(x) = \sum_{i=1}^{2d+1} \Phi_i^{(2)} \left( \sum_{j=1}^d \Phi_{i,j}^{(1)}(x_j) \right)$
KANE आर्किटेक्चर: लेखक KANE (नेचुरल एनफोर्समेंट के साथ KAN) पेश करते हैं, जो POC सरफेस का अनुमान लगाने के लिए डिज़ाइन किया गया एक तीन-परत वाला न्यूरल आर्किटेक्चर है।
- इनपुट लेयर: इसमें B-splines द्वारा मॉडल किए गए यूनिवेरिएट फंक्शल्स $\Phi^{(1)}$ शामिल हैं।
- प्री-आउटपुट लेयर: इसमें भी B-splines द्वारा मॉडल किए गए यूनिवेरिएट फंक्शल्स $\Phi^{(2)}$ शामिल हैं।
- g-लेयर (एनफोर्समेंट): एक एक्टिवेशन लेयर (जैसे, बाइनरी आउटकम के लिए सिग्मॉइड, मल्टी-क्लास के लिए सॉफ्टमैक्स) जो आउटपुट को यूनिट इंटरवल $[0, 1]$ में मैप करती है, जिससे यह सुनिश्चित होता है कि अनुमानित प्रायिकता वैध बनी रहे। यह "नेचुरल एनफोर्समेंट" इसे मानक KAN से अलग करता है।
विस्तार (Extensions): यह रूपरेखा निम्नलिखित को संभालने के लिए सामान्यीकृत है:
- मल्टी-ट्रिगर सिस्टम: जहाँ कई प्रतिस्पर्धी ट्रिगर घटनाएं एक अनुवर्ती घटना की ओर ले जाती हैं।
  नेइव सॉफ्टमैक्स अनुप्रयोगों में निहित ऑर्डिनल संरचना के नुकसान से बचने के लिए फ्रेंक-हॉल दृष्टिकोण का उपयोग करते हुए मल्टीनौली प्रक्रियाओं और ऑर्डिनल समस्याओं को बाइनरी क्लासिफिकेशन कार्यों में बदलने के लिए।
- सतत परिणाम (Continuous outcomes): एक्सट्रीमल डिपेंडेंस के कंडीशनल कोएफिशिएंट से जोड़ना।
अनुमान (Estimation): मॉडल पैरामीटर्स (स्प्लाइन कोएफिशिएंट्स) को उच्च क्वांटाइल $u$ पर थ्रेशोल्ड किए गए डेटा पर बाइनरी क्रॉस-एन्ट्रॉपी लॉस (या मल्टी-क्लास के लिए कैटेगोरिकल क्रॉस-एन्ट्रॉपी) को कम करके अनुमानित किया जाता है। मॉडल डायग्नोस्टिक्स के लिए रैंडमाइज्ड क्वांटाइल रेसिडुअल्स (Dunn–Smyth residuals) का उपयोग किया जाता है।

प्रमुख योगदान

POC सरफेस की परिभाषा: शोध पत्र औपचारिक रूप से POC सरफेस को एक फंक्शनल के रूप में परिभाषित करता है जो कोवेरिएट्स के आधार पर चरम घटनाओं के बीच डोमिनो प्रभावों की प्रायिकता का आकलन करता है, जो टेल डिपेंडेंस कोएफिशिएंट्स की अवधारणा का विस्तार करता है।
KANE मॉडल: संभाव्यता सतहों के यूनिट-इंटरवल कंस्ट्रेंट के लिए विशेष रूप से तैयार किया गया एक न्यूरल मॉडल, जो B-spline आधारित यूनिवेरिएट फंक्शन्स के माध्यम से कोलमोगोरोव के प्रमेय की सटीक प्रतिनिधित्व क्षमताओं का लाभ उठाता है।
सैद्धांतिक गारंटी: लेखक सैद्धांतिक परिणाम प्रदान करते हैं जो दिखाते हैं कि यदि कंडीशनल प्रायिकता $x$ में स्मूथ है, तो परिणामी POC सरफेस इस निरंतरता को विरासत में प्राप्त करता है। वे आंतरिक/बाहरी फंक्शन्स के एप्रोक्सिमेशन गारंटियों को लक्षित फंक्शन से जोड़ने के लिए एक "कोलमोगोरोव सुपरपोजिशन ऑपरेटर" भी पेश करते हैं।
लचीलापन: फ्रेमवर्क बाइनरी, मल्टी-क्लास, ऑर्डिनल और कंटीन्यूअस फॉलो-अप इवेंट्स के साथ-साथ मल्टी-ट्रिगर परिदृश्यों को समायोजित करता है।

परिणाम
शोध पत्र व्यापक संख्यात्मक अध्ययनों और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से प्रस्तावित विधि को मान्य करता है:

सिमुलेशन: विभिन्न परिदृश्यों (सिंगल/मल्टी-फीचर, बाइनरी/मल्टी-क्लास) में मोंटे कार्लो प्रयोगों (500 पुनरावृत्ति) ने प्रदर्शित किया कि KANE वास्तविक POC सतहों को संतोषजनक रूप से रिकवर करता है। सैंपल साइज बढ़ने के साथ मीन इंटीग्रेटेड स्क्वेर्ड एरर (MISE) कम होता जाता है, जो अनुकूल फ्रीक्वेंटिस्ट गुण दिखाता है। यह दिखाया गया है कि कैनोनिकल थ्री-लेयर KANE कंप्यूटेशनल रूप से कुशल है (मानक हार्डवेयर पर एक सेकंड से कम समय में अभिसरण करता है) और मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के तुलनीय प्रदर्शन करता है, जबकि यह जनरलाइज्ड एडिटिव मॉडल्स (GAM) से बेहतर प्रदर्शन करता है।
भूकंप-सुनामी अनुप्रयोग: वैश्विक भूकंप डेटा पर लागू किए जाने पर, मॉडल अक्षांश, देशांतर और गहराई के आधार पर उच्च-तीव्रता वाले भूकंप के बाद सुनामी आने की संभावना का सफलतापूर्वक अनुमान लगाता है। परिणाम प्रशांत रिंग ऑफ फायर में उच्च कैस्केड संभावनाओं और गहरे भूकंपों के लिए कम संभावनाओं का संकेत देते हैं।
उष्णकटिबंधीय चक्रवात-SST अनुप्रयोग: समुद्री सतह के तापमान (SST) और चक्रवात डेटा पर लागू किए जाने पर, ऑर्डिनल KANE मॉडल अत्यधिक SST के दिए गए होने पर विभिन्न चक्रवात तीव्रताओं (डिप्रेशन, स्टॉर्म, हरिकेन) की प्रायिकता का अनुमान लगाता है। मॉडल मैक्सिको की खाड़ी में उच्च SST और अत्यधिक तूफानों के बीच संबंधों की पहचान करता है।
डायग्नोस्टिक्स: दोनों एम्पिरिकल उदाहरणों में रैंडमाइज्ड रेसिडुअल्स के QQ-बॉक्सप्लॉट समग्र रूप से अच्छे मॉडल फिट का संकेत देते हैं।

महत्व और दावे
शोध पत्र का दावा है कि यह कैस्केडिंग एक्सट्रीम्स को मॉडल करने के लिए एक "पूर्णतः सामान्य" दृष्टिकोण प्रदान करता है जो पारंपरिक मल्टीवेरिएट EVT की सीमाओं से आगे जाता है। कोलमोगोरोव-आर्नोल्ड नेटवर्क्स की प्रतिनिधित्व क्षमता को EVT के साथ एकीकृत करके, यह विधि देखे गए डेटा सीमाओं से परे चरम घटनाओं की जटिल श्रृंखलाओं का एक्सट्रपलेशन करने में सक्षम बनाती है।

लेखक अपने कार्य को EVT और मशीन लर्निंग के संगम पर एक विशिष्ट योगदान के रूप में प्रस्तुत करते हैं। वे स्पष्ट रूप से अपने दृष्टिकोण को हॉक्स प्रोसेस (Hawkes processes) से अलग करते हैं, यह नोट करते हुए कि जबकि हॉक्स प्रोसेस सेल्फ-एक्साइटेशन को मॉडल करते हैं, यह फ्रेमवर्क टेल डिपेंडेंस कोएफिशिएंट्स की अवधारणा को विस्तारित करता है ताकि चरम घटनाओं की सशर्त प्रायिकताओं को मापा जा सके। शोध पत्र विनम्रतापूर्वक सुझाव देता है कि "नेचुरल एनफोर्समेंट" तंत्र रेंज-कंस्ट्रेंड आउटपुट्स (जैसे, (-1, 1] के लिए कंस्ट्रेंड पैरामीटर्स) के लिए अन्य अनुप्रयोगों में भी मूल्यवान हो सकता है।

लेखकों द्वारा पहचाने गए भविष्य के दिशा-निर्देशों में कार्यात्मक डेटा विश्लेषण (जहाँ घटनाओं को कंटिनुआ पर देखा जाता है) तक फ्रेमवर्क का विस्तार करना, पॉइंट प्रोसेस में क्रॉस-एक्साइटेशन के साथ दृष्टिकोण को जोड़ना, और टेल डिपेंडेंस मैट्रिसेस (TDMs) का उपयोग करके यादृच्छिक लंबाई की एक्सट्रीमल चेन्स को मॉडल करना शामिल है।