🔢 mathematics

Glocal Smoothness: Line search and adaptive step sizes can help in theory too!

यह शोध पत्र एक "ग्लोकल" (glocal) स्मूथनेस फ्रेमवर्क प्रस्तुत करता है जो ऑब्जेक्टिव फंक्शन्स के वैश्विक और स्थानीय गुणों को अभिलक्षित करता है ताकि इटरेशन-स्वतंत्र अभिसरण सीमाएं (convergence bounds) स्थापित की जा सकें, यह प्रदर्शित करते हुए कि लाइन सर्च और एडेप्टिव स्टेप साइज, इटरेशन कॉम्प्लेक्सिटी के संदर्भ में, त्वरित एल्गोरिदम सहित फिक्स्ड-स्टेप विधियों से सैद्धांतिक रूप से बेहतर प्रदर्शन कर सकते हैं।

मूल लेखक: Curtis Fox, Aaron Mishkin, Sharan Vaswani, Mark Schmidt

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Curtis Fox, Aaron Mishkin, Sharan Vaswani, Mark Schmidt

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 विशाल, धुंधली घाटी में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं (यह मशीन लर्निंग की समस्या के सर्वोत्तम समाधान को खोजने का प्रतिनिधित्व करता है)। आप आंखों पर पट्टी बांधे हुए हैं और केवल अपने पैरों के नीचे जमीन की ढलान को महसूस कर सकते हैं। तल तक पहुँचने के लिए, आप कदम उठाते हैं: आपके कदम का आकार बहुत महत्वपूर्ण है: यदि आप छोटे कदम लेते हैं, तो आप वहां बहुत धीरे पहुँचेंगे; यदि आप बहुत बड़े कदम लेते हैं, तो आप निचले हिस्से को पार कर सकते हैं और दूसरी ओर फिर से ऊपर चढ़ सकते हैं।

दशकों से, कंप्यूटर वैज्ञानिक कदम के आकार के लिए एक "सुरक्षित" नियम का उपयोग करते रहे हैं। वे मान लेते हैं कि पूरी घाटी की ढलान एक समान है (एक वैश्विक नियम)। वे दुनिया में कहीं भी होने वाली सबसे तीव्र संभव ढलान की गणना करते हैं और अपना कदम का आकार उस सबसे खराब स्थिति के लिए सुरक्षित रखते हैं। यह काम तो करता है, लेकिन यह बिल्कुल वैसा ही है जैसे आप देश में कहीं एक खड़ी पहाड़ी होने के कारण अपनी कार को 20 मील प्रति घंटे की रफ्तार से चला रहे हों, भले ही जिस सड़क पर आप अभी चल रहे हैं वह पूरी तरह से समतल हो।

"एक-लिए-सबके" नियम के साथ समस्या
पेपर बताता है कि वास्तव में, समस्या की "तीव्रता" बदलती रहती है। घाटी के नीचे (समाधान के पास), जमीन अक्सर बहुत अधिक सपाट हो जाती है। हालाँकि, पुराने नियमों को यह पता नहीं होता है। वे अभी भी छोटे और सतर्क कदम उठाते रहते हैं क्योंकि वे अभी भी उस एक खड़ी पहाड़ी को लेकर चिंतित हैं जो दूर कहीं है।

कुछ स्मार्ट एल्गोरिदम आगे देखने की कोशिश करते हैं (जिसे "लाइन सर्च" कहा जाता है) ताकि यह देख सकें कि यहाँ जमीन कितनी सपाट है और बड़े कदम उठा सकें। व्यवहार में, ये एल्गोरिदम बहुत तेजी से काम करते हैं। लेकिन लंबे समय तक, गणितज्ञों के लिए यह साबित करना असंभव था कि वे क्यों तेज़ थे, ताकि वे अन्य "त्वरित" (accelerated) विधियों के मुकाबले उनकी निष्पक्ष तुलना की जा सके। पुरानी थ्योरी एल्गोरिदम द्वारा लिए गए विशिष्ट पथ पर निर्भर थी, जिससे यह कहना असंभव हो गया था कि, "विधि A, विधि B से सैद्धांतिक रूप से बेहतर है।"

नया विचार: "ग्लोकल" (Glocal) स्मूथनेस
लेखक एक नया विचार पेश करते हैं जिसे "ग्लोकल" स्मूथनेस (Global + Local) कहा जाता है।

इसे एक मानचित्र की तरह समझें जिसमें दो क्षेत्र हैं:

ग्लोबल ज़ोन (Global Zone): पूरी दुनिया, जो बहुत ऊबड़-खाबड़ और खड़ी हो सकती है (इसे एक स्थिरांक $L$ द्वारा दर्शाया गया है)।
लोकल ज़ोन (Local Zone): घाटी के बिल्कुल नीचे के आसपास का एक छोटा, आरामदायक घेरा। इस घेरे के अंदर, जमीन बहुत अधिक सपाट और चिकनी है (इसे एक छोटे स्थिरांक $L^*$ द्वारा दर्शाया गया है)।

पेपर का दावा है कि कई वास्तविक दुनिया की समस्याएं, जैसे कि लॉजिस्टिक रिग्रेशन मॉडल को प्रशिक्षित करना, स्वाभाविक रूप से इस संरचना को अपनाती हैं। पूरी समस्या कठिन है, लेकिन एक बार जब आप उत्तर के करीब पहुँच जाते हैं, तो समस्या बहुत आसान हो जाती है।

बड़ी खोज
इस "ग्लोकल" मानचित्र का उपयोग करके, लेखक यह साबित करने में सक्षम हुए कि एक लुक-अहेड स्टेप लेना (लाइन सर्च) वास्तव में कई स्थितियों में "त्वरित" विधियों के साथ निश्चित कदमों की तुलना में गणितीय रूप से श्रेष्ठ है।

यहाँ इसका सादृश्य (analogy) दिया गया है:

फिक्स्ड स्टेप मेथड्स (जैसे NAG): ये एक ऐसे धावक की तरह हैं जिसकी कदम की लंबाई पहले से तय है। वे तेज़ हो सकते हैं, लेकिन वे इलाके के आधार पर अपने कदम नहीं बदल सकते।
लाइन सर्च मेथड्स: ये एक ऐसे धावक की तरह हैं जो हर कदम से पहले जमीन की जांच करता है। यदि जमीन सपाट है, तो वे दौड़ते हैं। यदि जमीन खड़ी है, तो वे धीमे हो जाते हैं।

पेपर सिद्ध करता है कि यदि "लोकल ज़ोन" (नीचे का सपाट क्षेत्र) "ग्लोबल ज़ोन" की तुलना में काफी अधिक सपाट है, तो जमीन की जांच करने वाला धावक (लाइन सर्च), उस धावक से तेज़ फिनिश लाइन तक पहुँचेगा जिसके पास पहले से तय स्ट्राइड (stride) है, भले ही वह पूर्व-निर्धारित धावक उन्नत "त्वरण" तकनीकों का उपयोग कर रहा हो।

यह क्यों महत्वपूर्ण है

यह "जादू" को समझाता है: यह अंततः एक गणितीय कारण देता है कि क्यों सरल लाइन-सर्च विधियां वास्तविक दुनिया के प्रयोगों में अक्सर जटिल त्वरित विधियों से बेहतर प्रदर्शन करती हैं।
यह अनुकूलनीय है: इस तरीके को यह जानने की आवश्यकता नहीं है कि स्थानीय क्षेत्र वास्तव में कितना सपाट है। इसे बस इतना सक्षम होना चाहिए कि यह पहचान सके कि जमीन कितनी सपाट हो रही है और उसके अनुसार समायोजन कर सके।
यह कई उपकरणों पर लागू होता है: लेखक दिखाते हैं कि यह तर्क न केवल बुनियादी ग्रेडिएंट डिसेंट पर, बल्कि कोऑर्डिनेट डिसेंट, स्टोकेस्टिक ग्रेडिएंट डिसेंट (डीप लर्निंग में उपयोग किया जाता है), और नॉन-लीनियर कंजुगेट ग्रेडिएंट विधियों पर भी काम करता है।

पेपर का एक वास्तविक उदाहरण
लेखक लॉजिस्टिक रिग्रेशन (वर्गीकरण के लिए एक सामान्य उपकरण) का उपयोग एक उदाहरण के रूप में करते हैं।

ग्बली (Globally): गणित कहता है कि समस्या काफी "खड़ी" है (उच्च लिप्सीत्ज़ स्थिरांक)।
लोकैली (Locally): एक बार जब मॉडल सही उत्तर देने लगता है (समाधान के पास), तो गणित दिखाता है कि समस्या 25 गुना अधिक "सपाट" हो जाती है।
परिणाम: एक लाइन-सर्च एल्गोरिदम एक निश्चित-स्टेप एल्गोरिदम की तुलना में 25 गुना बड़े कदम उठा सकता है जब वह समाधान के करीब पहुँचता है, जिससे वह फिनिश लाइन की ओर बहुत तेज़ी से बढ़ता है।

सारांश में
पेपर का तर्क है कि हमें सभी ऑप्टिमाइज़ेशन समस्याओं के साथ ऐसा व्यवहार करना बंद कर देना चाहिए जैसे कि वे हर जगह समान रूप से कठिन हों। यह स्वीकार करके कि समस्याएं समाधान के करीब आने पर आसान हो जाती हैं (ग्लोकल स्मूथनेस), हम यह सिद्ध कर सकते हैं कि सरल, अनुकूलन योग्य रणनीतियाँ (जैसे कि कदम उठाने से पहले जमीन की जांच करना) अक्सर सबसे कुशल तरीका हैं, जो सबसे परिष्कृत "त्वरित" धावकों से भी बेहतर प्रदर्शन करती हैं।

तकनीकी सारांश: ग्लोकल स्मूथनेस (Glocal Smoothness)

समस्या विवरण (Problem Statement)

प्रथम-क्रम अनुकूलन एल्गोरिदम (first-order optimization algorithms), जैसे कि ग्रेडिएंट डिसेंट (GD), के मानक सैद्धांतिक विश्लेषण आमतौर पर वैश्विक $L$ -स्मूथनेस (ग्लोबल लिप्सचिट्ज़ निरंतरता) की धारणा पर निर्भर करते हैं। इस धारणा के तहत, इटरेशन कॉम्प्लेक्सिटी (iteration complexities) को वैश्विक लिप्सचिट्ज़ स्थिरांक $L$ के रूप में व्यक्त किया जाता है, और निश्चित स्टेप साइज़ (जैसे, $\eta_t = 1/L$ ) का उपयोग करके निकट-इष्टतम दरें प्राप्त की जाती हैं। हालाँकि, अनुभवजन्य अवलोकन अक्सर इन वर्स्ट-केस बाउंड्स (worst-case bounds) के विपरीत होते हैं:

लाइन सर्च बनाम फिक्स्ड स्टेप (Line Search vs. Fixed Step): सटीक लाइन सर्च के साथ ग्रेडिएंट डिसेंट (GD(LO)), $1/L$ वाले फिक्स्ड स्टेप साइज़ वाले GD की तुलना में व्यवहार में काफी तेजी से अभिसरण (converge) करता है, जबकि दोनों के वर्स्ट-केस सैद्धांतिक दरें समान होती हैं।
लाइन सर्च बनाम एक्सेलरेशन (Line Search vs. Acceleration): GD(LO) अक्सर नेस्टरोव के एक्सेलेरेटेड ग्रेडिएंट (NAG) के मुकाबले बेहतर प्रदर्शन करता है, जो फिक्स्ड स्टेप साइज़ ( $1/L$ ) के साथ काम करता है, भले ही NAG सैद्धांतिक रूप से बेहतर वर्स्ट-केस दरें ( $O(\sqrt{L/\mu})$ बनाम $O(L/\mu)$ ) प्रदान करता हो।

मौजूदा साहित्य स्थानीय स्मूथनेस (local smoothness) धारणाओं का उपयोग करके इन घटनाओं को समझाने का प्रयास करता है, जहाँ लिप्सचिट्ज़ स्थिरांक एल्गोरिदम के इटरैट्स (iterates) पर निर्भर करता है (जैसे, $L(w_t)$ )। हालांकि ये विश्लेषण दिखाते हैं कि एडेप्टिव तरीके स्थानीय स्मूथनेस का लाभ उठा सकते हैं, वे एक महत्वपूर्ण सीमा से ग्रस्त हैं: उनकी अभिसरण दरें एल्गोरिदम द्वारा लिए गए विशिष्ट इटरैट्स के अनुक्रम (sequence of iterates) पर निर्भर करती हैं। चूंकि विभिन्न एल्गोरिदम (जैसे, GD बनाम NAG) अलग-अलग पथ अपनाते हैं, उनके स्थानीय स्मूथनेस अनुक्रम भिन्न होते हैं, जिससे उनके इटरेशन कॉम्प्लेक्सिटी की सीधे तुलना करना सैद्धांतिक रूप से कठिन हो जाता है। फलस्वरूप, इस बात का कोई कठोर सैद्धांतिक औचित्य नहीं है कि कुछ सेटिंग्स में GD(LO), NAG(1/L) से बेहतर क्यों हो सकता है।

कार्यप्रणाली (Methodology)

यह शोध पत्र "ग्लोकल स्मूथनेस" (Glocal Smoothness - ग्लोबल-लोकल) नामक एक नया लक्षण वर्णन पेश करता है। यह ढांचा वैश्विक स्मूथनेस को समाधान के पास स्थानीय स्मूथनेस के माप के साथ जोड़ता है, जिसे एल्गोरिदम के विशिष्ट प्रक्षेपवक्र (trajectory) से स्वतंत्र रूप से परिभाषित किया गया है।

परिभाषा: एक फलन $f$ $(L, L^*, \delta)$ -ग्लोकली स्मूथ है यदि:

यह वैश्विक रूप से $L$ -स्मूथ है (हर जगह मानक लिप्सचिट्ज़ स्थिति को संतुष्ट करता है)।
यह सबलेवल सेट $\{u \in \mathbb{R}^d \mid f(u) - f^* \leq \delta\}$ पर स्थानीय रूप से $L^*$ -स्मूथ है, जहाँ $f^*$ फलन $f$ का इन्फिमम (infimum) है।

महत्वपूर्ण बात यह है कि $L^*$ और $\delta$ फलन के अपने गुण हैं, न कि इटरैट्स के। यह इटरेशन कॉम्प्लेक्सिटी बाउंड्स को केवल फलन के गुणों पर निर्भर बनाने की अनुमति देता है, जिससे विभिन्न एल्गोरिदम के बीच प्रत्यक्ष तुलना संभव हो पाती है।

लेखक एक दो-चरणीय विश्लेषण रणनीति (two-phase analysis strategy) का उपयोग करते हैं:

ग्लोबल चरण (Global Phase): स्थानीय क्षेत्र (जहाँ सब-ऑप्टिमलिटी $\leq \delta$ है) तक पहुँचने के लिए आवश्यक इटरेशन की संख्या को वैश्विक गुणों ( $L$ ) का उपयोग करके बाउंड करना।
लोकल चरण (Local Phase): स्थानीय क्षेत्र के भीतर लक्षित सटीकता $\epsilon$ तक पहुँचने के लिए आवश्यक इटरेशन को स्थानीय गुणों ( $L^*$ ) का उपयोग करके बाउंड करना।

यह पेपर सिद्ध करता है कि ग्ल적인 स्मूथनेस के तहत, लाइन सर्च या एडेप्टिव स्टेप साइज़ का उपयोग करने वाले एल्गोरिदम, $L^*$ या $\delta$ को पूर्व में जाने बिना, स्थानीय क्षेत्र में प्रवेश करने के बाद तेजी से स्थानीय दर ( $L^*$ ) का प्रभावी ढंग से उपयोग कर सकते हैं।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. लाइन सर्च और एक्सेलरेशन का सैद्धांतिक तुलना

यह शोध पत्र स्थापित करता है कि ग्ल적인 स्मूथनेस और स्ट्रॉन्ग कॉन्वेक्सिटी के तहत, लाइन सर्च के साथ GD (GD(LO)), फिक्स्ड स्टेप साइज़ वाले NAG (NAG(1/L)) की तुलना में स्पष्ट रूप से बेहतर इटरेशन कॉम्प्लेक्सिटी रख सकता है।

परिणाम: GD(LO) के लिए इटरेशन कॉम्प्लेक्सिटी $O\left(\frac{L}{\mu} \log \frac{\Delta_0}{\delta} + \frac{L^*}{\mu} \log \frac{\delta}{\epsilon}\right)$ द्वारा बाउंड है।
तुलना: NAG(1/L) की कॉम्प्लेक्सिटी $O\left(\sqrt{\frac{L}{\mu}} \log \frac{\Delta_0}{\epsilon}\right)$ है।
शर्त: GD(LO), NAG(1/L) से बेहतर प्रदर्शन करता है यदि स्थानीय स्मूथनेस $L^*$ , वैश्विक $L$ की तुलना में पर्याप्त रूप से छोटी है (विशेष रूप से, यदि $L^*/L \ll (\sqrt{\kappa})^{-1} \dots$ ) और कंडीशन नंबर $\kappa = L/\mu$ अत्यधिक बड़ा नहीं है। यह इस अनुभवजन्य अवलोकन को सैद्धांतिक आधार प्रदान करता है कि लाइन सर्च कुछ परिदृश्यों में एक्सेलरेशन को मात दे सकता है।

2. विशिष्ट एल्गोरिदम पर अनुप्रयोग

लेखक प्रदर्शित करते हैं कि ग्ल적인 स्मूथनेस कई प्रकार के एल्गोरिदम के लिए बेहतर कॉम्प्लेक्सिटी बाउंड्स प्रदान करती है:

ग्रेडिएंट डिसेंट (Gradient Descent): सटीक लाइन सर्च और रीसेट के साथ आर्मिजो बैकट्रैकिंग (Armijo backtracking), फॉरवर्ड-बैकट्रैकिंग और पोलियाक स्टेप साइज़ जैसे व्यावहारिक वेरिएंट दोनों ही बेहतर दरें प्राप्त करते हैं।
एडेप्टिव स्टेप साइज़ (Adaptive Step Sizes): दिखाया गया है कि AdGD (बिना डिसेंट के एडेप्टिव ग्रेडिएंट डिसेंट) स्टेप साइज़, $f^*$ के ज्ञान की आवश्यकता के बिना समान दरें प्राप्त करता है।
कोऑर्डिनेट डिसेंट (Coordinate Descent): रैंडमाइज्ड और ग्रीडी कोऑर्डिनेट डिसेंट दोनों ही कोऑर्डिनेट-वाइज ग्ल적인 स्मूथनेस से लाभान्वित होते हैं, जिसमें लोकल चरण में कॉम्प्लेक्सिटी बाउंड $dL/\mu$ से सुधरकर $dL^*/\mu$ हो जाता है।
स्टोकेस्टिक ग्रेडिएंट डिसेंट (SGD): इंटरपोलेशन धारणा के तहत, स्टोकेस्टिक लाइन सर्च के साथ SGD, $L^*$ पर निर्भर बेहतर दरें प्राप्त करता है।
नेस्टरोव का एक्सेलेरेटेड ग्रेडिएंट (NAG): जब आर्मिजो लाइन सर्च के साथ जोड़ा जाता है, तो NAG भी स्थानीय स्मूथनेस से लाभान्वित होता है, हालांकि इसे स्थानीय क्षेत्र में प्रवेश करने के लिए मानक GD की तुलना में थोड़ा लंबा "ग्लोबल चरण" आवश्यक होता है।
नॉन-लीनर कंजुगेट ग्रेडिएंट (NLCG): पेपर दिखाता है कि यदि हेसियन (Hessian) स्थानीय क्षेत्र में स्थिर (स्थानीय रूप से क्वाड्रेटिक) है, तो NLCG, $L^*$ पर निर्भर त्वरित अभिसरण दरें प्राप्त कर सकता है।

3. केस स्टडी: लॉजिस्टिक रिग्रेशन (Logistic Regression)

यह पेपर बाइनरी लॉजिस्टिक रिग्रेशन पर इस सिद्धांत को लागू करता है। यह प्रदर्शित करता है कि जबकि वैश्विक स्मूथनेस स्थिरांक $L = \frac{1}{4}\|X\|^2$ है, समाधान के पास स्थानीय स्मूथनेस $L^*$ काफी कम हो सकती है (उदाहरण के लिए, लॉस वैल्यू $\ell^* + \delta$ के समानुपाती)।

परिणाम: लॉजिस्टिक रिग्रेशन के लिए, GD(LO) $1/L$ से 25 गुना बड़े स्टेप्स ले सकता है और फिर भी ऑब्जेक्टिव को कम कर सकता है, जिससे $\delta$ पर मिनिमाइज़ करके एक टाइट इटरेशन कॉम्प्लेक्सिटी बाउंड प्राप्त होता है।

4. रिलैक्सेशन (Relaxations)

इस ढांचे को कई रिलैक्सेशन के तहत मजबूत दिखाया गया है:

ग्लोकल स्ट्रॉन्ग कॉन्वेक्सिटी: यदि फलन स्थानीय रूप से $\mu^*$ -स्ट्रॉन्गली कॉन्वेक्स (जहाँ $\mu^* > \mu$ ) है, तो कॉम्प्लेक्सिटी और अधिक सुधर जाती है।
पोलियाक-लोजसविक (PL) कंडीशन: यह परिणाम उन फलनों पर भी लागू होते हैं जो PL इनइक्वलिटी को संतुष्ट करते हैं, भले ही उनमें वैश्विक स्ट्रॉन्ग कॉन्वेक्सिटी न हो।
ग्लोबल कॉन्वेक्सिटी: वैश्विक रूप से कॉन्वेक्स लेकिन स्ट्रॉन्गली कॉन्वेक्स नहीं होने वाले फलनों के लिए, GD(LO) ग्लोबल स्तर पर सबलीनियर दर और लोकल स्तर पर लीनियर दर प्राप्त करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ग्ल적인 स्मूथनेस एक एकीकृत सैद्धांतिक ढांचा (unified theoretical framework) प्रदान करती है जो वर्स्ट-केस विश्लेषण और व्यावहारिक प्रदर्शन के बीच के अंतर को पाटता है। इसका प्राथमिक महत्व निम्नलिखित है:

इटरैट-स्वतंत्रता (Iterate-Independence): पिछले स्थानीय स्मूथनेस धारणाओं के विपरीत, ग्ल적인 स्मूथनेस केवल फलन की ज्यामिति पर निर्भर करती है, न कि एल्गोरिदम के पथ पर। यह विभिन्न अनुकूलन विधियों के बीच इटरेशन कॉम्प्लेक्सिटी की कठोर, 'एप्पल-टू-एप्पल' तुलना करने की अनुमति देता है।
लाइन सर्च का औचित्य: यह एक सैद्धांतिक आधार प्रदान करता है कि क्यों सरल लाइन सर्च विधियां विशिष्ट, वास्तविक सेटिंग्स (जहाँ स्थानीय स्मूथनेस वैश्विक स्मूथनेस से बहुत बेहतर है) में परिष्कृत एक्सेलरेशन तकनीकों से बेहतर प्रदर्शन कर सकती हैं।
अनुकूलन क्षमता (Adaptability): विश्लेषण दिखाता है कि एल्गोरिदम को लाभ उठाने के लिए $L^*$ या $\delta$ को स्पष्ट रूप से जानने की आवश्यकता नहीं है; लाइन सर्च या एडेप्टिव स्टेप साइज़ का तंत्र स्वाभाविक रूप से इन गुणों का लाभ उठाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि वैश्विक स्मूथनेस धारणाएं मानक हैं, ग्ल적인 स्मूथनेस व्यवहार में संख्यात्मक अनुकूलन प्रदर्शन का अधिक सटीक प्रतिबिंब प्रदान करती है, विशेष रूप से लॉजिस्टिक रिग्रेशन और न्यूरल नेटवर्क ट्रेनिंग जैसी समस्याओं के लिए जहाँ समाधान के पास स्थानीय ज्यामिति अक्सर वैश्विक परिदृश्य की तुलना में बहुत बेहतर व्यवहार वाली होती है।