📊 statistics

No Free Lunch: Non-Asymptotic Analysis of Prediction-Powered Inference

यह शोध पत्र प्रेडिक्शन-पावर्ड इन्फरेंस (PPI++) के लिए 'एसाइम्प्टोटिक फ्री लंच' (asymptotic free lunch) के दावे को चुनौती देता है, एक गैर-एसाइम्प्टोटिक विश्लेषण प्रदान करके जो यह दर्शाता है कि यह विधि केवल तभी गोल्ड-स्टैंडर्ड लेबल की तुलना में अनुमान सटीकता में सुधार करती है जब सूडो-लेबल और गोल्ड-स्टैंडर्ड लेबल के बीच सहसंबंध नमूना आकार पर निर्भर एक विशिष्ट थ्रेशोल्ड से अधिक होता है।

मूल लेखक: Pranav Mani, Peng Xu, Zachary C. Lipton, Michael Oberst

प्रकाशित 2026-06-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pranav Mani, Peng Xu, Zachary C. Lipton, Michael Oberst

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

यहाँ "No Free Lunch: Non-Asymptotic Analysis of Prediction-Powered Inference" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: "फ्री लंच" (मुफ्त का लाभ) का मिथक

कल्पना कीजिए कि आप एक विशाल शहर में हर किसी की औसत ऊँचाई का अनुमान लगाने की कोशिश कर रहे हैं। आपके पास दो उपकरण हैं:

गोल्ड-स्टैंडर्ड लेबल्स (Gold-Standard Labels): आपके पास 20 लोगों का एक छोटा समूह है जिनकी ऊँचाई आपने लेज़र रूलर से मापी है (बहुत सटीक, लेकिन महंगा और कठिन)।
स्यूडो-लेबल्स (Pseudo-Labels): आपके पास एक रोबोट है जो केवल फोटो देखकर लाखों लोगों की ऊँचाई का अनुमान लगा सकता है। रोबोट तेज़ और मुफ्त है, लेकिन वह कभी-कभी गलतियाँ करता है।

प्रिडिक्शन-पावर्ड इन्फेरेंस (PPI++) एक फैंसी सांख्यिकीय (statistical) तरीका है जो इन दोनों को मिलाने की कोशिश करता है। यह आपके उन 20 लेज़र-मापे गए लोगों के डेटा को "बूस्ट" करने के लिए रोबोट के लाखों अनुमानों का उपयोग करता है।

पिछले शोधों ने एक "फ्री लंच" का दावा किया था: उन्होंने कहा था, "चिंता न करें कि रोबोट कितना बुरा है! भले ही रोबोट बहुत खराब हो, PPI++ का उपयोग करना हमेशा आपके केवल 20 लेज़र-मापे गए लोगों के उपयोग करने से बेहतर या उसके बराबर परिणाम देगा।"

यह पेपर कहता है: "नो फ्री लंच" (कोई मुफ्त का लाभ नहीं है)।

लेखक सिद्ध करते हैं कि यदि रोबोट बहुत अधिक गलत है, या यदि आपके पास यह जानने के लिए पर्याप्त लेज़र माप नहीं हैं कि वह कितना गलत है, तो PPI++ का उपयोग करना वास्तव में आपके उत्तर को उस तुलना में खराब बना देगा जहाँ आपने रोबोट को पूरी तरह से अनदेखा कर दिया होता।

मूल समस्या: "अनुमान की गणना" का जाल (The "Guessing the Guess" Trap)

PPI++ को काम करने के लिए, इस तरीके को एक जटिल दो-चरणीय प्रक्रिया (two-step dance) करनी पड़ती है:

चरण A: यह आपके 20 लेज़र मापों और उन्हीं 20 लोगों के लिए रोबोट के अनुमानों को देखता है ताकि यह पता लगाया जा सके: "रोबोट कितना अच्छा है?" (यह एक सहसंबंध स्कोर/correlation score की गणना करता है)।
चरण B: यह उस स्कोर का उपयोग यह तय करने के लिए करता है कि रोबोट के लाखों अनुमानों को कितना महत्व (weight) दिया जाए।

उपमा (Analogy):
कल्पना कीजिए कि आप एक महंगे, सटीक थर्मामीटर का उपयोग करके एक नए, सस्ते थर्मामीटर को कैलिब्रेट (calibrate) करने की कोशिश कर रहे हैं।

यदि आपके पास सटीक थर्मामीटर से 100 रीडिंग हैं, तो आप यह गणना करने के लिए भरोसा कर सकते हैं कि सस्ता थर्मामीटर कैसा व्यवहार करता है। आप खाली जगहों को भरने के लिए सस्ते थर्मामीटर का सुरक्षित रूप से उपयोग कर सकते हैं।
यदि आपके पास सटीक थर्मामीटर से केवल 5 रीडिंग हैं, तो सस्ते थर्मामीटर के व्यवहार की आपकी गणना संदिग्ध है। आपको लग सकता है कि सस्ता थर्मामीटर बहुत अच्छा है, जबकि वास्तव में वह बहुत खराब हो सकता है।

पेपर का निष्कर्ष:
यदि आपका "परफेक्ट थर्मामीटर" सैंपल (लेबल वाला डेटा, $n$ ) बहुत छोटा है, तो रोबोट की गुणवत्ता को मापने में होने वाली त्रुटि, रोबोट द्वारा प्रदान किए जाने वाले लाभ से बड़ी होती है।

परिणाम: आप अंततः एक ऐसा "शोर भरा" (noisy) अनुमान प्राप्त करते हैं जो केवल अपने छोटे, सटीक सैंपल पर भरोसा करने की तुलना में कम विश्वसनीय होता है।

"जादुई संख्या" (The Threshold)

पेपर यह बताता है कि आप कब रोबोट पर भरोसा कर सकते हैं। यह इस बात पर निर्भर करता है कि आपके पास कितने "परफेक्ट" सैंपल ( $n$ ) हैं।

नियम: रोबोट के अनुमान वास्तविकता के साथ कम से कम $1/\sqrt{n}$ के सहसंबंध (correlation) में होने चाहिए।
सरल शब्दों में:
- यदि आपके पास 20 परफेक्ट सैंपल हैं, तो रोबत को मदद करने के लिए वास्तविकता के साथ कम से कम 22% सहसंबंधित होना चाहिए।
- यदि आपके पास 50 परफेक्ट सैंपल हैं, तो रोबोट को मदद करने के लिए केवल 14% सहसंबंधित होने की आवश्यकता है।
- यदि रोबोट इस सीमा (threshold) से कम सटीक है, तो इसे बंद कर दें। इसका उपयोग करना आपके परिणामों को नुकसान पहुँचाएगा।

करने के दो तरीके (और क्यों एक जोखिम भरा है)

यह पेपर इस तरीके को चलाने के दो तरीकों का विश्लेषण करता है:

1. "क्रॉस-फिट" विधि (सुरक्षित तरीका - The "Cross-Fit" Method)

यह कैसे काम करता है: आप अपने 20 परफेक्ट सैंपल को दो समूहों (10-10 के) में विभाजित करते हैं। आप समूह A का उपयोग यह जानने के लिए करते हैं कि रोबोट कितना अच्छा है, और समूह B का उपयोग अंतिम गणना के लिए करते हैं। फिर आप उन्हें बदलते हैं और परिणामों का औसत निकालते हैं।
फैसला: यह निष्पक्ष (unbiased) है (यह व्यवस्थित रूप से झूठ नहीं बोलता)। हालाँकि, यह अभी भी "नो फ्री लंच" नियम से प्रभावित है। यदि रोबोट बहुत कमजोर है या आपका सैंपल आकार बहुत छोटा है, तो यह तरीका कुछ न करने की तुलना में अभी भी खराब है।

2. "सिंगल-सैंपल" विधि (जोखिम भरा तरीका - The "Single-Sample" Method)

यह कैसे काम करता है: आप रोबोट की गुणवत्ता को समझने और अंतिम गणना करने, दोनों के लिए उन्हीं 20 सैंपल का उपयोग करते हैं।
फैसला: यह पक्षपाती (biased) है (यह व्यवस्थित रूप से एक तरफ झुकता है) और अत्यधिक आशावादी (overly optimistic) है।
- जाल: गणित आपको यह विश्वास दिलाने की कोशिश करता है कि आपका कॉन्फिडेंस इंटरवल (त्रुटि की सीमा) बहुत संकीर्ण और सटीक है। वास्तव में, यह व्यापक और अस्थिर है।
- उपमा: यह उस छात्र की तरह है जो ठीक उन्हीं प्रश्नों का अध्ययन करता है जिनसे उसकी परीक्षा ली जाने वाली है। उसे एक परफेक्ट स्कोर मिलता है और वह आत्मविश्वास महसूस करता है, लेकिन वास्तव में उसने विषय को नहीं सीखा है। यदि उसके सामने नया प्रश्न आता है, तो वह विफल हो जाता है। पेपर दिखाता है कि यह तरीका "नकली आत्मविश्वास" पैदा करता है।

प्रयोगों ने क्या दिखाया

लेखकों ने वास्तविक डेटा (AlphaFold से प्रोटीन संरचनाएं और गैलेक्सी डेटा) पर इनका परीक्षण किया।

टिपिंग पॉइंट (Tipping Point): उन्होंने पाया कि छोटे सैंपल साइज (जैसे, $n < 20$ ) के लिए, रोबोट का उपयोग करने से अक्सर मानवीय मापों की तुलना में त्रुटि बढ़ गई।
कवरेज गैप (Coverage Gap): जब उन्होंने अपने उत्तर के चारों ओर एक "सुरक्षा जाल" (confidence interval) बनाने की कोशिश की, तो जोखिम भरी विधि (Single-Sample) ने दावा किया कि वह 95% निश्चित है, लेकिन वास्तव में, वह केवल 87% बार ही सही थी। वह अपनी स्वयं की सटीकता के बारे में झूठ बोल रही थी।

अभ्यासकर्ताओं (Practitioners) के लिए सीख

पेपर निष्कर्ष निकालता है कि PPI++ एक शक्तिशाली उपकरण है, लेकिन यह जादुई नहीं है।

सिर्फ डेटा फेंक कर न देखें: आप यह मानकर नहीं चल सकते कि एक शोर भरा (noisy) AI प्रेडिक्टर जोड़ने से हमेशा मदद मिलेगी।
सहसंबंध (Correlation) की जाँच करें: PPI++ का उपयोग करने से पहले, आपको यह अनुमान लगाना चाहिए कि आपका AI प्रेडिक्टर आपके पास मौजूद लेबल वाले डेटा के सापेक्ष पर्याप्त अच्छा है या नहीं।
छोटे डेटा के साथ सावधान रहें: यदि आपके पास बहुत कम "गोल्ड स्टैंडर्ड" लेबल्स हैं, तो AI को "ट्यून" करने की लागत उसके लाभ से अधिक हो सकती है।

सारांश रूपक (Summary Metaphor):
एक खराब रोबोट और बहुत छोटे सैंपल के साथ PPI++ का उपयोग करना एक विशाल जहाज को उस दिशा में चलाने की कोशिश करने जैसा है, जिसके लिए आप एक ऐसे कंपास को कैलिब्रेट करने की कोशिश कर रहे हैं जिसे आप चलाते समय ही कैलिब्रेट कर रहे हैं। यदि आपके पास अपने कंपास को ठीक से कैलिब्रेट करने के लिए पर्याप्त समय नहीं है, तो आप जहाज को उस पुराने, धीमे लेकिन भरोसेमंद मानचित्र पर भरोसा करने की तुलना में बहुत तेज़ी से गलत दिशा में ले जाएंगे। कोई मुफ्त लंच नहीं है; आपको अपने उपकरणों पर भरोसा करने के लिए पर्याप्त डेटा होने की कीमत चुकानी होगी।

तकनीकी सारांश: नो फ्री लंच: प्रेडिक्शन-पावर्ड इन्फरेंस का नॉन-एसिम्प्टोटिक विश्लेषण

समस्या विवरण

प्रेडिक्शन-पावर्ड इन्फरेंस (PPI) और इसका एडेप्टिव वेरिएंट, PPI++, ऐसी रणनीतियाँ हैं जिन्हें महंगे, गोल्ड-स्टैंडर्ड लेबल वाले डेटा के एक छोटे सेट को सस्ते, संभावित रूप से शोर वाले (noisy) सूडो-लेबल्स (जैसे LLMs या VLMs द्वारा जनरेट किए गए) के एक बड़े सेट के साथ संयोजित करने के लिए डिज़ाइन किया गया है, ताकि सांख्यिकीय अनुमान (statistical estimation), विशेष रूप से माध्य अनुमान (mean estimation) लगाया जा सके।

जबकि पूर्ववर्ती कार्य (Angelopoulos et al., 2023b) ने PPI++ के लिए एक एसिम्प्टोटिक "फ्री लंच" स्थापित किया था—यह प्रदर्शित करते हुए कि PPI++ का एसिम्प्टोटिक वेरिएंस हमेशा केवल गोल्ड-स्टैंडर्ड लेबल्स का उपयोग करने वाले वेरिएंस के बराबर या उससे कम होता है, चाहे सूडो-लेबल की गुणवत्ता कुछ भी हो—यह गारंटी अनंत लेबल वाले नमूनों (labeled samples) की धारणा पर निर्भर करती है। व्यवहार में, PPI++ का सबसे मूल्यवान उपयोग मामला ठीक तब होता है जब लेबल वाला डेटा दुर्लभ होता है। यह कार्य जिस केंद्रीय समस्या को संबोधित करता है वह यह है: जब लेबल वाला नमूना माध्य का विश्वसनीय अनुमान लगाने के लिए बहुत छोटा हो, तो क्या हम सूडो-लेबल की गुणवत्ता के उसके मूल्यांकन पर भरोसा कर सकते हैं? विशेष रूप से, क्या PPI++ सीमित-नमूना (finite-sample) व्यवस्थाओं में शास्त्रीय अनुमान (classical estimation) में सुधार करता है, या ऐसी स्थितियाँ हैं जहाँ यह प्रदर्शन को खराब कर देता है?

कार्यप्रणाली

लेखक दो प्राथमिक कार्यान्वयन रणनीतियों के तहत PPI++ के अनुमान त्रुटि (वेरिएंस) के सटीक परिमित-नमूना (नॉन-एसिम्प्टोटिक) विश्लेषण का संचालन करते हैं:

सिंगल-सैंपल PPI++: इष्टतम वेटिंग पैरामीटर ( $\hat{\lambda}$ ) और अंतिम माध्य अनुमान दोनों को अनुमानित करने के लिए पूरे लेबल वाले डेटासेट का उपयोग करता है।
क्रॉस-फिट PPI++: लेबल वाले डेटा को दो फोल्ड्स में विभाजित करता है। एक फोल्ड $\hat{\lambda}$ का अनुमान लगाता है, जबकि दूसरा उस $\hat{\lambda}$ का उपयोग करके माध्य का अनुमान लगाता है। परिणाम औसत होते हैं। यह दृष्टिकोण पैरामीटर ट्यूनिंग और अनुमान के लिए डेटा के पुन: उपयोग से जुड़े बायस (bias) और अति-आशावाद (over-optimism) को कम करता है।

विश्लेषण एक अनिश्चित रूप से बड़े अनलेबल डेटासेट ( $N \to \infty$ ) की धारणा लेता है, जिससे सूडो-लेबल्स के माध्य और वेरिएंस का सटीक परिशुद्धता के साथ अनुमान लगाया जा सके। लेखक निम्नलिखित के लिए सटीक वेरिएस एक्सप्रेशन व्युत्पन्न करते हैं:

गौसियन वितरण (Gaussian Distributions): एक विशेष मामला जहाँ सैंपल मीन और कोवेरिएंस स्वतंत्र होते हैं, जो विश्लेषण को सरल बनाता है।
सामान्य वितरण (General Distributions): बाउंडेड फोर्थ मोमेंट्स (bounded fourth moments) मानते हुए, सटीक नॉन-एसिम्प्टोटिक वेरिएंस एक्सप्रेशन प्रदान करते हैं, जो त्रुटि को दक्षता लाभ (efficiency gains), कोवेरिएंस अनुमान त्रुटि के कारण दक्षता हानि (efficiency losses), और क्रॉस-टर्म डिपेंडेंसी में विभाजित करता है।

मुख्य योगदान

1. "नो फ्री लंच" का परिणाम

यह शोध इस धारणा का खंडन करता है कि PPI++ सीमित नमूनों में हमेशा शास्त्रीय अनुमान में सुधार करता है। लेखक सिद्ध करते हैं कि PPI++ एक "लागत" (cost) वहन करता है जो एक सीमित नमूने से सूडो-लेबल्स और वास्तविक लेबल्स के बीच सहसंबंध (correlation/covariance) के अनुमान की त्रुटि के कारण होती है।

सुधार की स्थिति: PPI++ शास्त्रीय अनुमानकर्ता से बेहतर प्रदर्शन करता है यदि और केवल यदि सूडो- और गोल्ड-स्टैंडर्ड लेबल्स के बीच सहसंबंध नमूना आकार ( $n$ ) पर निर्भर एक विशिष्ट थ्रेशोल्ड से अधिक हो।
गौसियन थ्रेशोल्ड: गौसियन डेटा के लिए, सहसंबंध $\rho$ को सुधार देखने के लिए $|\rho| > 1/\sqrt{n-2}$ (Single-Sample के लिए) या $|\rho| > 1/\sqrt{n/2 - 2}$ (Cross-fit के लिए) को संतुष्ट करना चाहिए। यदि सहसंबंध शून्य है, तो $\hat{\lambda}$ के गैर-शून्य मान को अनुमानित करने से होने वाले वेरिएंस इन्फ्लेशन के कारण PPI++ स्पष्ट रूप से शास्त्रीय अनुमानकर्ता की तुलना में खराब प्रदर्शन करता है।

2. सटीक नॉन-एसिम्प्टोटिक वेरिएंस एक्सप्रेशन

लेखक क्रॉस-फिट PPI++ अनुमानकर्ता के लिए पहला सटीक, डिस्ट्रीब्यूशन-फ्री फाईनाइट-सैंपल वेरिएस एक्सप्रेशन (थ्योरम 4.1) प्रदान करते हैं। वेरिएंस को इस प्रकार विभाजित किया गया है:
$\text{Var}(\hat{\theta}_{CF}) = \underbrace{\frac{\sigma_y^2}{n}}_{\text{Classical Variance}} - \underbrace{\frac{\sigma_{fy}^2}{n\sigma_f^2}}_{\text{Efficiency Gain}} + \underbrace{\frac{E[(\hat{\sigma}_{fy} - \sigma_{fy})^2]}{n\sigma_f^2}}_{\text{Efficiency Loss}} + \text{Cross-term}$
यह अपघटन स्पष्ट रूप से दिखाता है कि यदि कोवेरिएंस का अनुमान लगाने में मीन-स्क्वेर्ड एरर ( $E[(\hat{\sigma}_{fy} - \sigma_{fy})^2]$ ) वास्तविक कोवेरिएंस के वर्ग ( $\sigma_{fy}^2$ ) से अधिक हो जाता है, तो अनुमानकर्ता शास्त्रीय दृष्टिकोण की तुलना में खराब प्रदर्शन करता है।

3. सिंगल-सैंपल PPI++ बायस का विश्लेषण

पेपर सिंगल-सैंपल PPI++ अनुमानकर्ता (जो सैंपल स्प्लिटिंग का उपयोग नहीं करता है) के दो अवांछनीय गुणों को उजागर करता है:

फाइनाइट-सैंपल बायस: क्रॉस-फिट वेरिएंट के विपरीत, सिंगल-सैंपल PPI++ सीमित नमूनों में बायस्ड होता है। लेखक इस बायस का सटीक रूप व्युत्पन्न करते हैं।
ओवर-ऑप्टिमिस्टिक वेरिएंस एस्टीमेशन: $\hat{\lambda}$ को स्थिर (fixed) मानकर सिंगल-सैंपल PPI++ के वेरिएंस का अनुमान लगाने के लिए मानक प्लग-इन विधियाँ व्यवस्थित रूप से वास्तविक वेरिएस को कम आंकती हैं। इससे कॉन्फिडेंस इंटरवल बहुत संकीर्ण हो जाते हैं और номинаल कवरेज दर प्राप्त करने में विफल रहते हैं, भले ही अनुमानकर्ता का मीन स्क्वेर्ड एरर (MSE) शास्त्रीय अनुमानकर्ता से अधिक हो।

परिणाम और अनुभवजन्य सत्यापन (Empirical Validation)

सैद्धांतिक निष्कर्षों को अलग-अलग सूडो-लेबल गुणवत्ता वाले वास्तविक दुनिया के डेटासेट्स (AlphaFold और Galaxies) पर सत्यापित किया गया है:

परफॉर्मेंस टिपिंग पॉइंट्स: प्रयोग पुष्टि करते हैं कि PPI++ केवल तभी शास्त्रीय अनुमान में सुधार करता है जब नमूना आकार $n$ सूडो-लेबल सहसंबंध द्वारा निर्धारित "टिपिंग पॉइंट" को पार कर जाता है। कम सहसंबंध के लिए, छोटे $n$ के लिए PPI++ शास्त्रीय अनुमानकर्ता की तुलना में उच्च MSE देता है।
कवरेज डेफिसिट: $\rho=0.81$ और $\rho=0.48$ के सहसंबंध के साथ प्रयोगों में, सिंगल-सैंपल PPI++ लगातार शास्त्रीय इंटरवल की तुलना में संकीर्ण कॉन्फिडेंस इंटरवल उत्पन्न करता है लेकिन महत्वपूर्ण अंडर-कवरेज (जैसे, 95% लक्ष्य के लिए $n=20$ पर 87% कवरेज) का सामना करता है। क्रॉस-फिट PPI++ बेहतर कवरेज बनाए रखता है, लेकिन इसे शास्त्रीय तरीकों से बेहतर होने के लिए अभी भी पर्याप्त $n$ और सहसंबंध की आवश्यकता होती है।

महत्व और दावे

लेखक इस कार्य को चिकित्सकों (practitioners) के लिए PPI++ के आवश्यक विमुद्रीकरण (demystification) के रूप में देखते हैं। हालांकि PPI++ एक शक्तिशाली उपकरण है, पेपर का तर्क है कि इसकी "हमेशा बेहतर" वाली गारंटी एक एसिम्प्टोटिक आर्टिफैक्ट (asymptotic artifact) है जो उन लो-डेटा व्यवस्थाओं में लागू नहीं होती है जहाँ इन विधियों की सबसे अधिक आवश्यकता होती है।

व्यावहारिक मार्गदर्शन: यह कार्य चिकित्सकों को यह निर्धारित करने के लिए एक मात्रात्मक ढांचा प्रदान करता है कि क्या PPI++ पूर्व-निर्धारित (a priori) रूप से फायदेमंद है। अपने सूडो-लेबल्स की गुणवत्ता (सहसंबंध) और उपलब्ध लेबल नमूना आकार ( $n$ ) के बारे में धारणाओं को निर्दिष्ट करके, चिकित्सक यह तय करने के लिए व्युत्पन्न बाउंड्स का उपयोग कर सकते हैं कि क्या PPI++ का "अपसाइड" मौजूद है।
चेतावनी: पेपर बिना सोचे-समझे सूडो-लेबल्स को लागू करने के "किचन सिंक" दृष्टिकोण के खिलाफ एक चेतावनी के रूप में कार्य करता है। यह दर्शाता है कि बिना इस उचित धारणा के कि सूडो-लेबल्स "पर्याप्त अच्छे" (विशेष रूप से, $1/\sqrt{n}$ थ्रेशोल्ड से ऊपर सहसंबद्ध) हैं, PPI++ सक्रिय रूप से सांख्यिकीय अनुमान को नुकसान पहुँचा सकता है, जिससे वेरिएंस बढ़ जाता है और भ्रामक रूप से संकीर्ण कॉन्फिडेंस इंटरवल प्राप्त होते हैं।
पद्धतिगत कठोरता: सटीक फाइनाइट-सैंपल एक्सप्रेशन प्रदान करके, लेखक एसिम्प्टोटिक थ्योरी और व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटते हैं, जो दक्षता लाभ और अनुमान लागत के बीच ट्रेड-ऑफ के बारे में तर्क करने का एक पारदर्शी तरीका प्रदान करता है।