तकनीकी सारांश: एडेप्टिव ऑर्डर सिलेक्शन के साथ पाथ सिग्नेचर लॉजिस्टिक रिग्रेशन के माध्यम से सेमी-पैरामीट्रिक फंक्शनल क्लासिफिकेशन

समस्या विवरण

यह शोध पत्र स्केलर कोवेरिएट्स (scalar covariates) की उपस्थिति में वेक्टर-वैल्यूड फंक्शनल डेटा (जैसे, बहु-आयामी समय-श्रृंखला प्रक्षेपवक्र/trajectories) को वर्गीकृत करने की चुनौती को संबोधित करता है। पारंपरिक फंक्शनल लॉजिस्टिक रिग्रेशन मॉडल रैखिक धारणाओं और निश्चित बेसिस एक्सपेंशन (जैसे, फूरियर, बी-स्प्लाइन्स, FPCA) पर निर्भर करते हैं। ये शास्त्रीय दृष्टिकोण तीन प्राथमिक सीमाओं का सामना करते हैं:

1. रैखिकता की धारणा (Linearity Assumption): वे फंक्शनल प्रेडिक्टर्स और रिस्पॉन्स के लॉग-ऑड्स के बीच एक रैखिक संबंध मानते हैं, जो जटिल गैर-रैखिक गतिकी (nonlinear dynamics) को पकड़ने में विफल हो सकते हैं।
2. बेसिस संवेदनशीलता (Basis Sensitivity): प्रदर्शन बेसिस फंक्शन्स के चयन और नॉट प्लेसमेंट (knot placement) पर अत्यधिक निर्भर है, जिससे संभावित मॉडल मिसस्पेसिफिकेशन और अस्पष्ट व्याख्यात्मकता (obscured interpretability) हो सकती है।
3. अनियमित सैंपलिंग के प्रति भंगुरता (Fragility to Irregular Sampling): बेसिस प्रोजेक्शन पूर्ण, समान रूप से सैंपल किए गए प्रक्षेपवक्रों की धारणा रखते हैं। अनियमित सैंपलिंग या लुप्त डेटा प्रतिनिधित्व पूर्वाग्रह (representation bias) उत्पन्न करता है और इसके लिए ऐसे इंटरपोलेशन की आवश्यकता होती है जो ओवर-स्मूथिंग या संरचनात्मक पूर्वाग्रह का कारण बन सकता है।

इसके अलावा, मौजूदा विधियाँ अक्सर क्रॉस-चैनल सहसंबंधों (cross-channel correlations) की उपेक्षा करती हैं या पूर्ण टेम्पोरल अलाइनमेंट की मांग करती हैं, जो गेट एनालिसिस (gait analysis) या सेंसर-आधारित गतिविधि पहचान जैसे वास्तविक दुनिया के परिदृश्यों में अव्यावहारिक है।

कार्यप्रणाली: पाथ सिग्नेचर लॉजिस्टिक रिग्रेशन (PSLR)

लेखक पाथ सिग्नेचर लॉजिस्टिक रिग्रेशन (PSLR) का प्रस्ताव करते हैं, जो एक सेमी-पैरामीट्रिक फ्रेमवर्क है जो रैखिक फंक्शनल टर्म को पाथ सिग्नेचर पर आधारित एक गैर-रैखिक रूपांतरण से बदल देता है।

मॉडल फॉर्मूलेशन

मॉडल कंडीशनल लॉग-ऑड्स के लिए एक सेमी-पैरामीट्रिक एडिटिव स्ट्रक्चर मानता है:
$$\text{Logit}(P(y=1|X, z)) = F(X) + z^\top \gamma$$
जहाँ $X$ एक $d$-डायमेंशनल फंक्शनल प्रेडिक्टर है, $z$ स्केलर कोवेरिएट्स का एक वेक्टर है, और $F$ एक स्मूथ, नॉन-पैरामीट्रिक फंक्शनल मैपिंग है।

$F(X)$ को अनुमानित करने के लिए, यह विधि टाइम-ऑगमेंटेड सिग्नल $\tilde{X} = (X, t)$ को एक निरंतर पथ (continuous path) के रूप में मानती है। पाथ सिग्नेचर की सार्वभौमिकता संपत्ति (universality property) का लाभ उठाते हुए, $F(X)$ को ट्रंकेटेड सिग्नेचर के एक रैखिक रूप द्वारा अनुमानित किया जाता है:
$$F(X) \approx S_p(\tilde{X})^\top \beta_p$$
जहाँ $S_p(\tilde{X})$, ऑर्डर $p$ का ट्रंकेटेड पाथ सिग्नेचर है, और $\beta_p$ एक कोएफिशिएंट वेक्टर है। पूर्ण मॉडल एक जनरलाइज्ड लीनियर मॉडल बन जाता है:
$$\text{Logit}(P(y=1|X, z)) = \tilde{S}_p^\top \theta_p$$
जहाँ $\tilde{S}_p$, सिग्नेचर फीचर्स और स्केलर कोवेरिएट्स को संयोजित (concatenate) करता है।

प्रमुख नवाचार

1. बेसिस-मुक्त प्रतिनिधित्व (Basis-Free Representation): सिग्नेचर, बेसिस चयन की आवश्यकता के बिना ज्यामितीय और टेम्पोरल फीचर्स (विस्थापन, वक्रता, साइन्ड एरिया) को कैप्चर करते हैं।
2. अनियमितता के प्रति मजबूती (Robustness to Irregularity): सिग्नेचर ट्रांसफॉर्म पथ के छोटे परिवर्तनों के प्रति स्थिर होता है। यह विधि लोकल पीसवाइज लीनियर इंटरपोलेशन का उपयोग करती है, जो सैद्धांतिक रूप से त्रुटि के रूप में तब तक लुप्त हो जाता है जब तक कि सैंपलिंग ग्रिड परिष्कृत होता है, जबकि ग्लोबल बेसिस प्रोजेक्शन अपरिहार्य संरचनात्मक पूर्वाग्रह से ग्रस्त होते हैं।
3. एडेप्टिव ऑर्डर सिलेक्शन (Adaptive Order Selection): एक महत्वपूर्ण योगदान ऑर्डर $p$ को चुनने के लिए एक पूर्णतः डेटा-संचालित प्रक्रिया है। $p$ को ह्यूरिस्टिक रूप से फिक्स करने के बजाय, लेखक एक पेनलाइज्ड एम्पिरिकल रिस्क क्राइटेरियन को कम करने का प्रस्ताव करते हैं:
   $$\hat{p} = \arg\min_{p} \left( \hat{L}_n(p) + \text{penn}(p, q) \right)$$
   जहाँ $\hat{L}_n(p)$ रेगुलराइज्ड एम्पिरिकल रिस्क है और पेनल्टी टर्म $\text{penn}(p, q)$, सिग्नेचर फीचर्स की जटिलता ($\sqrt{s_d(p)}$) और स्केलर कोवेरिएट्स के आयाम ($\sqrt{q}$) के साथ स्केल होती है।

सैद्धांतिक योगदान

यह शोध पत्र प्रस्तावित फ्रेमवर्क के लिए कठोर नॉन-एसिम्प्टोटिक गारंटी प्रदान करता है:

• इष्टतम ऑर्डर का अस्तित्व: यह एक इष्टतम ट्रंकेशन ऑर्डर $p^*$ और कोएफिशिएंट्स $\theta^*_{p^*}$ के अस्तित्व को सिद्ध करता है जो जनसंख्या जोखिम (population risk) को किसी भी हद तक अनुमानित कर सकते हैं।
• कंसिस्टेंसी (Consistency): दिखाया गया है कि डेटा-संचालित एस्टिमेटर $\hat{p}$ कंसिस्टेंट है, जो सैंपल साइज बढ़ने के साथ घातीय प्रायिकता (exponential probability) के साथ वास्तविक इष्टतम ऑर्डर $p^*$ की ओर अभिसरित होता है।
• रिस्क कन्वर्जेंस: यदि सही ऑर्डर चुना जाता है, तो क्लासिफायर रिस्क मानक पैरामीट्रिक दर $O(n^{-1/2})$ पर अभिसरित होता है।
• फाइनाइट सर्च बाउंड: लेखक $p$ के सर्च रेंज के लिए एक कंप्यूट करने योग्य ऊपरी सीमा $P$ प्राप्त करते हैं, जो यह सुनिश्चित करता है कि ऑप्टिमाइजेशन सीमित और व्यावहारिक है ($P = O(\log n)$)।
• एरर प्रोपेगेशन: एक फ्रेमवर्क स्थापित किया गया है जो दिखाता है कि ग्रिड रिफाइनमेंट के साथ PSLR की रिकंस्ट्रक्शन एरर लुप्त हो जाती है, जो अनियमित सैंपलिंग के तहत बेसिस-एक्सपेंशन विधियों के अपरिहार्य पूर्वाग्रह के विपरीत है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन सिंथेटिक डेटा और तीन वास्तविक दुनिया के डेटासेट्स पर किया गया:

1. सिंथेटिक डेटा: PSLR ने विभिन्न आयामों, स्केलर कोवेरिएट्स की संख्या और अनियमित सैंपलिंग परिदृश्यों (लुप्त डेटा और असमान समय ग्रिड) में लगातार क्लासिकल फंक्शनल क्लासिफायर्स (B-spline, Fourier, FPCA) और एब्लेटेड वर्जन (Signature-only, Scalar-only) को पछाड़ दिया।
2. पार्किंसंस रोग गेट एनालिसिस: वर्टिकल ग्राउंड रिएक्शन फोर्स (VGRF) डेटा का उपयोग करते हुए, PSLR ने बेसलाइन्स की तुलना में बेहतर सटीकता और F1 स्कोर प्राप्त किया। मॉडल ने व्याख्या योग्य कोएफिशिएंट्स को सफलतापूर्वक पहचाना, जैसे कि विशिष्ट फुट क्षेत्रों में कम परिवर्तनशीलता (reduced variability) का PD की संभावना पर नकारात्मक प्रभाव, जो क्लिनिकल ऑब्जर्वेशन (rigid gait) के अनुरूप है।
3. ह्यूमन एक्टिविटी रिकग्निशन (MotionSense): स्मार्टफोन सेंसर डेटा का उपयोग करके वॉकिंग बनाम जॉगिंग को वर्गीकृत करने में, PSLR ने बेसलाइन्स की तुलना में उच्च सटीकता और स्थिरता प्रदर्शित की, जिससे उसने फंक्शनल मोशन सिग्नल्स और स्केलर एट्रिब्यूट्स (जैसे वजन) दोनों का प्रभावी ढंग से लाभ उठाया।
4. मल्टी-कोहॉर्ट क्लिनिकल गेट: पहनने योग्य सेंसर डेटा का उपयोग करके न्यूरोलॉजिकल रोगियों और स्वस्थ नियंत्रणों के बीच अंतर करने के लिए विधि को लागू किया गया, जिसने जटिल, उच्च-आयामी सेटिंग्स में इसकी मजबूती को और प्रमाणित किया।

महत्व और दावे

शोध पत्र दावा करता है कि PSLR फंक्शनल डेटा विश्लेषण में एक व्यावहारिक और सैद्धांतिक प्रगति प्रदान करता है क्योंकि यह:

• पाथ सिग्नेचर थ्योरी को एडेप्टिव कॉम्प्लेक्सिटी के साथ एकीकृत करता है: यह एडेप्टिव कॉम्प्लेक्सिटी कंट्रोल और स्केलर कोवेरिएट्स के साथ मिलकर पाथ सिग्नेचर की सैद्धांतिक शक्ति और व्यावहारिक मॉडल सिलेक्शन के बीच के अंतर को पाटता है, जो फिक्स्ड-ऑर्डर ह्यूरिस्टिक्स से आगे बढ़ता है।
• वास्तविक दुनिया के डेटा की खामियों को संभालता है: बेसिस एक्सपेंशन से बचकर, यह विधि बिना टेम्पोरल अलाइनमेंट या जटिल इम्प्यूटेशन की आवश्यकता के अनियमित सैंपलिंग और इंटर-चैनल डिपेंडेंसी को स्वाभाविक रूप से संभालती है।
• व्याख्यात्मकता (Interpretability): फ्रेमवर्क स्केलर कोवेरिएट्स के लिए व्याख्यात्मकता बनाए रखता है और सिग्नेचर टर्म्स (जैसे विस्थापन, क्षेत्र, इंटरैक्शन) के माध्यम से फंक्शनल प्रभावों की ज्यामितीय व्याख्या प्रदान करता है।
• सैद्धांतिक कठोरता: यह एडेप्टिव ऑर्डर सिलेक्शन के लिए पहले नॉन-एसिम्प्टोटिक गारंटी प्रदान करके साहित्य में एक महत्वपूर्ण कमी को भरता है, यह सुनिश्चित करता है कि मॉडल की जटिलता केवल आवश्यक होने पर ही बढ़े।

लेखक इस बात पर जोर देते हैं कि हालांकि पाथ सिग्नेचर ट्रांसफॉर्म स्वयं ज्ञात है, लेकिन एक एकीकृत सेमी-पैरामीट्रिक लॉजिस्टिक रिग्रेशन फ्रेमवर्क के भीतर एडेप्टिव कॉम्प्लेक्सिटी कंट्रोल और स्केलर कोवेरिएट्स के साथ इसका एकीकरण एक नवीन योगदान है, जो कठोर फाइनाइट-सैंपल गारंटी द्वारा समर्थित है।