📊 statistics

Coverage correlation: detecting singular dependencies between random variables

यह शोधपत्र कवरेज सहसंबंध (coverage correlation) को प्रस्तुत करता है, जो मोंज-केंटोरोविच रैंक (Monge–Kantorovich ranks) पर आधारित एक नवीन गैर-प्राचलीय सांख्यिकी है, जो उनके संयुक्त वितरण और उनके मार्जिनल के गुणनफल के बीच एक $f$ -विचलन (f-divergence) का सुसंगत अनुमान लगाकर यादृच्छिक चरों के बीच जटिल, विलक्षण निर्भरताओं का कुशलतापूर्वक पता लगाता है।

मूल लेखक: Xuzhi Yang, Mona Azadkia, Tengyao Wang

प्रकाशित 2026-06-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xuzhi Yang, Mona Azadkia, Tengyao Wang

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 "कवरेज कोरिलेशन: रैंडम वेरिएबल्स के बीच सिंगुलर डिपेंडेंसी का पता लगाना" (Coverage Correlation: Detecting Singular Dependencies Between Random Variables) पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी तस्वीर: डॉट्स के बादल में छिपे हुए आकार को खोजना

कल्पना कीजिए कि आप एक ग्राफ पर डेटा पॉइंट्स के स्कैटर प्लॉट (scatter plot) को देख रहे हैं एक जासूस की तरह।

परिदृश्य A (स्वतंत्रता - Independence): पॉइंट्स एक कमरे में बिखरे हुए रंगीन कागज़ के टुकड़ों (confetti) के रैंडम बादल की तरह दिखते हैं। कोई पैटर्न नहीं है; एक पॉइंट कहाँ है, यह जानने से दूसरे पॉइंट के बारे में कुछ पता नहीं चलता।
परिदृश्य B (सरल संबंध - Simple Relationship): पॉइंट्स एक स्पष्ट रेखा या वक्र (curve) बनाते हैं। यदि आप X-कोऑर्डिनेट जानते हैं, तो आप Y-कोऑर्डिनेट की सटीक भविष्यवाणी कर सकते हैं।
परिदृश्य C (द "सिंगुलर" मिस्ट्री - The "Singular" Mystery): पॉइंट्स एक रेखा नहीं बनाते, लेकिन वे एक बहुत ही पतले, अदृश्य तार या कमरे के भीतर एक विशिष्ट आकार पर सिमटे हुए हैं। वे रैंडम नहीं हैं, लेकिन वे एक साधारण "Y बराबर X" वाली रेखा भी नहीं हैं। वे एक निचले-आयामी (lower-dimensional) ढांचे पर अटके हुए हैं (जैसे 3D कमरे के भीतर तैरता हुआ 2D कागज़ का एक टुकड़ा)।

समस्या: पारंपरिक उपकरण (जैसे पियर्सन का कोरिलेशन) सीधी रेखाओं को खोजने में माहिर हैं। अन्य आधुनिक उपकरण उन वक्रों को खोजने में माहिर हैं जहाँ एक वेरिएबल दूसरे की भविष्यवाणी करता है। लेकिन वे तब विफल हो जाते हैं जब संबंध एक जटिल, सममित (symmetric) "आकार" होता है जहाँ कोई भी वेरिएबल स्पष्ट रूप से दूसरे की भविष्यवाणी नहीं कर पाता, या जब डेटा एक पतली, छिपी हुई संरचना पर सिमटा होता है।

समाधान: लेखक एक नया टूल पेश करते हैं जिसे कवरेज कोरिलेशन कोएफिशिएंट (Coverage Correlation Coefficient) कहा जाता है। इसे विशेष रूप से यह पता लगाने के लिए डिज़ाइन किया गया है कि डेटा पॉइंट्स इन छिपे हुए, कम-आयामी आकारों पर कैसे "सिमटे" (squeezed) हुए हैं।

मुख्य उपमा: "अनकवर्ड फ्लोर" (Uncovered Floor) गेम

यह समझने के लिए कि यह नया टूल कैसे काम करता है, कल्पना कीजिए कि यूनिट स्क्वायर (X और Y दोनों अक्षों पर 0 से 1 तक का ग्राफ) एक फर्श है।

सेटअप: आपके पास इस फर्श पर बिखरे हुए $n$ डेटा पॉइंट्स हैं।
टाइल्स: आप छोटे वर्गाकार टाइल्स लेते हैं, जिनमें से प्रत्येक का क्षेत्रफल $1/n$ है।
क्रिया: आप प्रत्येक एक डेटा पॉइंट के केंद्र पर एक टाइल रखते हैं।
मापन: आप फर्श को देखते हैं और पूछते हैं: "फर्श का कितना हिस्सा अभी भी बिना ढका (uncovered) है?"

केस 1: रैंडम क्लाउड (स्वतंत्र वेरिएबल्स)

यदि आपके डेटा पॉइंट्स वास्तव में रैंडम (स्वतंत्र) हैं, तो वे समान रूप से फैले होंगे। जब आप अपनी टाइल्स गिराते हैं, तो वे थोड़ा ओवरलैप करेंगी, लेकिन वे फर्श का एक विशिष्ट, अनुमानित हिस्सा कवर करेंगी।

परिणाम: जैसे-जैसे आप अधिक पॉइंट्स जोड़ते हैं, बिना ढका हुआ फर्श एक विशिष्ट संख्या पर स्थिर हो जाता है (गणितीय रूप से, यह $1/e$ , या लगभग 37% के करीब पहुँच जाता है)।
स्कोर: टूल इस "अनकवर्ड" मात्रा की गणना करता है और इसे नॉर्मलाइज़ करता है। यदि परिणाम 0 के करीब है, तो इसका मतलब है कि डेटा रैंडम है।

केस 2: छिपा हुआ तार (डिपेंडेंट वेरिएबल्स)

अब, कल्पना कीजिए कि आपके डेटा पॉइंट्स रैंडम नहीं हैं। कल्पना कीजिए कि वे सभी एक पतले, घुमावदार तार (एक "सिंगुलर" सबसेट) पर अटके हुए हैं।

परिणाम: जब आप इन पॉइंट्स पर अपनी टाइल्स गिराते हैं, तो टाइल्स उस पतले तार पर आपस में बहुत अधिक ओवरलैप होती हैं। क्योंकि वे सभी एक ही संकीर्ण लेन में हैं, वे फर्श के बाकी बड़े हिस्सों को पूरी तरह खाली छोड़ देते हैं।
स्कोर: बिना ढका हुआ फर्श बहुत अधिक होता है (100% के करीब पहुँच जाता है)। टूल 1 के करीब का स्कोर देता है।

जादू: कवरेज कोरिलेशन ठीक इसी "अनकवर्ड वॉल्यूम" को मापता है।

स्कोर 0 के पास: पॉइंट्स फैले हुए हैं (स्वतंत्र)।
स्कोर 1 के पास: पॉइंट्स एक छिपे हुए आकार पर सिमटे हुए हैं (डिपेंडेंट)।

यह अन्य टूल्स से अलग क्यों है?

यह पेपर इसकी तुलना चैटरजी के कोरिलेशन (Chatterjee's Correlation) से करता है, जो एक लोकप्रिय आधुनिक टूल है।

चैटरजी का टूल: कल्पना कीजिए कि आप अपने डेटा पॉइंट्स को क्रम में जोड़ते हुए एक मोटी रेखा खींच रहे हैं। यह देखने में उत्कृष्ट है कि क्या $Y$ , $X$ का एक फंक्शन है (एकतरफा रास्ता)। यदि $Y$ , $X$ द्वारा निर्धारित होता है, तो रेखा टाइट होती है, और यह टूल उसे पकड़ लेता है।
सीमा: यदि $X$ और $Y$ दोनों एक तीसरे, छिपे हुए कारक द्वारा निर्धारित होते हैं (जैसे दो दोस्त एक ही लय में चल रहे हैं क्योंकि वे तीसरे व्यक्ति का पीछा कर रहे हैं, न कि इसलिए कि वे आपस में बात कर रहे हैं), तो चैटर्जी का टूल इसे मिस कर सकता है। यह एक "प्रेडिक्टर" और एक "रिस्पॉन्स" की तलाश करता है।
कवरेज टूल: इसे इस बात से फर्क नहीं पड़ता कि कौन किसकी भविष्यवाणी कर रहा है। यह केवल क्लाउड के आकार (shape) को देखता है। यदि क्लाउड एक पतले आकार में सिमटा हुआ है (सिंगुलर), तो यह तुरंत इसका पता लगा लेता है। यह सममित (symmetric) है: यह $X$ और $Y$ के साथ समान व्यवहार करता है।

यह व्यवहार में कैसे काम करता है (जादुई ट्रिक्स)

लेखक अपने टूल के बारे में तीन मुख्य बातें सिद्ध करते हैं:

यह डिस्ट्रीब्यूशन-फ्री (Distribution-Free) है: आपको यह जानने की ज़रूरत नहीं है कि आपका डेटा "नॉर्मल" है, "एक्सपोनेंशियल" है, या कुछ और। यह टूल कच्चे नंबरों के बजाय डेटा के रैंक (कौन बड़ा है और कौन छोटा) पर काम करता है। यह एक दौड़ को सटीक समय के बजाय इस आधार पर आंकने जैसा है कि किसने 1st, 2nd, 3rd स्थान प्राप्त किया।
इसमें एक इन-बिल्ट कैलकुलेटर है: कई आधुनिक टूल्स को परिणाम की सार्थकता (significance) जानने के लिए हजारों कंप्यूटर सिमुलेशन (परम्यूटेशन) चलाने की आवश्यकता होती है। इस टूल के पास एक गणितीय सूत्र है जो आपको तुरंत उत्तर बता देता है। यह विशाल डेटासेट्स (जैसे लाखों जीन पेयर्स की जांच करना) के लिए अविश्वसनीय रूप से तेज़ है।
यह मल्टी-डायमेंशन को संभालता है: यह न केवल दो वेरिएबल्स ( $X$ और $Y$ ) के लिए, बल्कि वेक्टर्स (वेरेबल्स के समूह) के लिए भी काम करता है।

पेपर से वास्तविक दुनिया के उदाहरण

लेखकों ने अपने टूल का परीक्षण दो वास्तविक जैविक डेटासेट्स पर किया:

मासिक धर्म चक्र हार्मोन (Menstrual Cycle Hormones): उन्होंने चार हार्मोन (एस्ट्रैडियोल, प्रोजेस्टेरोन, LH, FSH) को देखा। जीव विज्ञान हमें बताता है कि ये एक फीडबैक लूप में मजबूती से जुड़े हुए हैं।
- परिणाम: पुराने टूल्स (पियर्सन, स्पीयरमैन) जटिल, नॉन-लीनियर कनेक्शन को मिस कर गए। चैटर्जी के टूल ने कुछ पाए, लेकिन कवरेज कोरिलेशन ने हार्मोन के प्रत्येक जोड़े के लिए महत्वपूर्ण निर्भरता पाई, जिससे हार्मोन के जटिल जैविक जाल की सही पहचान हुई।
जीन एक्सप्रेशन (सिंगल-सेल RNA): उन्होंने हजारों कोशिकाओं में हजारों जीन को देखा।
- परिणाम: उन्होंने जीनों के 54 जोड़े पाए जो एक जटिल, नॉन-लीनियर तरीके से जुड़े हुए थे (अक्सर डेटा में "L-शेप" बनाते हैं)। कवरेज कोरिलेशन ने इन्हें खोज निकाला, जबकि अन्य सभी तरीकों (पियर्सन, स्पीयरमैन, चैटर्जी, आदि) ने उन्हें पूरी तरह से मिस कर दिया।

सारांश

कवरेज कोरिलेशन कोएफिशिएंट एक नया सांख्यिकीय "फ्लैशलाइट" है।

पुराने फ्लैशलाइट सीधी रेखाओं या सरल वक्रों को खोजने के लिए एक बीम चमकाते हैं।
यह नया फ्लैशलाइट यह देखने के लिए रोशनी डालता है कि क्या डेटा एक छिपे हुए आकार पर सिमटा हुआ है।
यह तेज़ है, इसे काम करने के लिए जटिल कंप्यूटर सिमुलेशन की आवश्यकता नहीं है, और यह विशाल डेटासेट्स में जटिल, छिपे हुए संबंधों को खोजने के लिए एकदम सही है जहाँ पारंपरिक तरीके विफल हो जाते हैं।

तकनीकी सारांश: कवरेज सहसंबंध गुणांक (Coverage Correlation Coefficient)

समस्या विवरण

यह शोध पत्र यादृच्छिक चरों (random variables) और वेक्टर्स के बीच जटिल, संभावित रूप से गैर-रेखीय सांख्यिकीय संबंधों का पता लगाने की चुनौती को संबोधित करता है। पीयर्सन का सहसंबंध (Pearson's correlation) जैसे शास्त्रीय माप रैखिक संबंधों को पकड़ते हैं और रैंक-आधारित माप (Spearman, Kendall) एकदिष्ट (monotonic) जुड़ाव को पकड़ते हैं, लेकिन वे अक्सर गैर-एकदिष्ट (non-monotonic) निर्भरताओं का पता लगाने में विफल रहते हैं। मौजूदा गैर-पैरामीट्रिक दृष्टिकोण, जैसे कि डिस्टेंस कोरिलेशन (dCor), हिल्बर्ट-श्मिट इंडिपेंडेंस क्राइटेरियन (HSIC), और चैटर्जी का सहसंबंध (Chatterjee's correlation), महत्वपूर्ण सीमाओं से ग्रस्त हैं। इनमें से कई मुख्य रूप से स्वतंत्रता परीक्षण (independence testing) के लिए डिज़ाइन किए गए हैं और निर्भरता की मात्रा का सीधा माप प्रदान नहीं करते हैं। अन्य, विशेष रूप से परम्यूटेशन-आधारित परीक्षण, बड़े पैमाने के परिवेश (जैसे जीनोमिक्स) में कम्प्यूटेशनल रूप से कठिन होते हैं जहाँ सटीक एसिम्प्टोटिक नल वितरण (asymptotic null distributions) की आवश्यकता होती है ताकि व्यापक मल्टीपल टेस्टिंग के बोझ को संभाला जा सके। इसके अतिरिक्त, चैटर्जी का सहसंबंध, हालांकि कुशल और वितरण-मुक्त (distribution-free) है, स्वाभाविक रूप से असममित है और दिशात्मक कार्यात्मक निर्भरता ( $Y = f(X)$ ) का पता लगाने के लिए डिज़ाइन किया गया है, जो इसे उन सममित या अप्रत्यक्ष निर्भरताओं का पता लगाने के लिए कम उपयुक्त बनाता है जहाँ चर एक सामान्य लेटेंट संरचना साझा करते हैं।

कार्यप्रणाली (Methodology)

लेखक कवरेज सहसंबंध गुणांक ( $\kappa_{X,Y}$ ) का प्रस्ताव करते हैं, जो सांख्यिकीय जुड़ाव का एक नवीन गैर-पैरामीट्रिक माप है। यह कार्यप्रणाली ज्यामितीय अंतर्ज्ञान (geometric intuition) और ऑप्टिमल ट्रांसपोर्ट थ्योरी पर आधारित है:

ज्यामितीय अंतर्ज्ञान: मूल विचार में डेटा बिंदुओं के अनुभवजन्य बहुभिन्नसम вариय रैंकों (empirical multivariate ranks) पर केंद्रित छोटे $\ell_\infty$ -बॉल्स (क्यूब्स) के साथ यूनिट हाइपरक्यूब $[0, 1]^{d_X + d_Y}$ को कवर करना शामिल है। सांख्यिकी इन बॉल्स के बाहर के स्थान के "अनकवर्ड वॉल्यूम" (रिक्तता/vacancy) को मापती है।
- स्वतंत्रता के तहत, बिंदु समान रूप से वितरित होते हैं, और अनकवर्ड वॉल्यूम $e^{-1}$ की ओर अभिसरित होता है।
- सिंगुलर निर्भरता (singular dependence) के तहत (जहाँ संयुक्त वितरण एक निम्न-आयामी मैनिफोल्ड पर केंद्रित होता है), अनकवर्ड वॉल्यूम 1 की ओर अभिसरित होता है।
मोंज-केंटोरोविच रैंक (Monge–Kantorovich Ranks): इसे बहुभिन्नसम वेक्टर्स ( $X \in \mathbb{R}^{d_X}, Y \in \mathbb{R}^{d_Y}$ ) के लिए सामान्य बनाने के लिए, लेखक मोंज-केंटोरोविच रैंकों का उपयोग करते हैं। इन्हें उन ऑप्टिमल असाइनमेंट समस्याओं को हल करके प्राप्त किया जाता है जो डेटा बिंदुओं और संदर्भ बिंदुओं के बीच वर्ग यूक्लिडियन दूरी को कम करती हैं, जो अनुभवजन्य मार्जिनल वितरणों को यूनिट क्यूब पर समान वितरणों में धकेलती हैं।
परिभाषा: अनुभवजन्य कवरेज सहसंबंध को इस प्रकार परिभाषित किया गया है:
$\kappa_{X,Y}^n := \frac{V_n - e^{-1}}{1 - e^{-1}}$
जहाँ $V_n$ यूनिट क्यूब में अनकवर्ड वॉल्यूम है जब संयुक्त रैंकों पर त्रिज्या $\gamma = \frac{1}{2n^{1/d}}$ (जहाँ $d = d_X + d_Y$ ) के बॉल्स केंद्रित होते हैं। संदर्भ बिंदु यादृच्छिक (समान रूप से वितरित) या नियत (जैसे, एक नियमित ग्रिड) हो सकते हैं।
सैद्धांतिक ढांचा:
- संगति (Consistency): सांख्यिकी संयुक्त वितरण $P_{(X,Y)}$ और उत्पाद मार्जिनल्स $P_X \otimes P_Y$ के बीच एक $f$ -डाइवर्जेंस का निरंतर अनुमान लगाती है, जिसमें जनरेटर फंक्शन $f_{cov}(x) = \frac{e^{-x} - e^{-1}}{1 - e^{-1}}$ है।
- नल वितरण (Null Distribution): स्वतंत्रता की शून्य परिकल्पना के तहत, सांख्यिकीय एक विश्लेषणात्मक रूप से सुलभ (analytically tractable) नॉर्मल वितरण को स्वीकार करता है, जिससे बिना पुन: नमूनाकरण (resampling) के $p$ -वैल्यू का निर्माण संभव होता है।
- डिरांडमाइजेशन (Derandomization): शोध पत्र प्रदर्शित करता है कि सांख्यिकीय को नियत संदर्भ बिंदुओं (जैसे, नियमित ग्रिड या लो-डिस्क्रिपेंसी सीक्वेंस) का उपयोग करके "डिरांडमाइज" किया जा सकता है, बिना निरंतरता या एसिम्प्टोटिक नॉर्मलिटी को खोए, बशर्ते कि ऑप्टिमल ट्रांसपोर्ट मैप्स पर कुछ नियमितता शर्तें पूरी हों।

मुख्य योगदान

सिंगुलर निर्भरता का सममित माप: चैटर्जी के सहसंबंध के विपरीत, कवरेज सहसंबंध सममित है और विशेष रूप से सिंगुलर निर्भरता (जहाँ संयुक्त वितरण मार्जिनल के उत्पाद के सापेक्ष सिंगुलर है) का पता लगाने के लिए डिज़ाइन किया गया है, जो $f(X, Y) = 0$ जैसे संबंधों को कैप्चर करता है न कि केवल $Y = f(X)$ को।
वितरण-मुक्त एसिम्प्टोटिक्स: यह विधि एक पिवोटल नल वितरण प्रदान करती है जो मार्जिनल वितरणों से स्वतंत्र है, जिससे सटीक एसिम्प्टोटिक $p$ -वैल्यू सक्षम होती है। यह कर्नेल-आधारित या डिस्टेंस-आधारित विधियों की तुलना में एक महत्वपूर्ण लाभ है जो अक्सर महंगे परम्यूटेशन परीक्षणों पर निर्भर करती हैं।
कम्प्यूटेशनल दक्षता: लेखक एक एल्गोरिदम विकसित करते हैं जिसकी समय जटिलता यूनिवेरिएट मार्जिनल्स के लिए $O(n \log n)$ है और R एवं Python पैकेज (covercorr) में कुशल कार्यान्वयन प्रदान करते हैं।
सैद्धांतिक गारंटी: शोध पत्र (विशिष्ट नियमितता शर्तों के तहत) यूनिवेरिएट और मल्टीवेरिएट दोनों सेटिंग्स के लिए निरंतरता स्थापित करता है और नल वितरण के लिए एक सेंट्रल लिमिट थ्योरम को सिद्ध करता है।
सीमित जनरेटर के माध्यम से मजबूती (Robustness): अंतर्निहित $f$ -डाइवर्जेंस एक सीमित जनरेटर फंक्शन का उपयोग करता है, जो अनबाउंडेड डाइवर्जेंस जैसे कि कुलबैक-लीब्लर (म्युचुअल इंफॉर्मेशन) की तुलना में चरम घनत्व अनुपातों के विरुद्ध मजबूती प्रदान करता है।

परिणाम

सिमुलेशन अध्ययन: शोध पत्र विभिन्न डेटा-जनरेटिंग तंत्रों (साइनुसोइडल, जिगज़ैग, सर्कल, स्पाइरल, लिसाजियस, और लोकल डिपेंडेंसी) में चैटर्जी के सहसंबंध, डिस्टेंस कोरिलेशन, HSIC, KMAc, और USP के विरुद्ध कवरेज सहसंबंध की शक्ति का मूल्यांकन करता है।
- दिशात्मक कार्यात्मक निर्भरता (साइनुसोइडल, जिगज़ैग) वाले परिदृश्यों में, चैटर्जी का सहसंबंध अच्छा प्रदर्शन करता है।
- सममित या अप्रत्यक्ष निर्भरता (सर्कल, स्पाइरल, लिसाजियस, जहाँ $X$ और $Y$ एक लेटेंट वेरिएबल $U$ के फलन हैं) वाले परिदृश्यों में, कवरेज सहसंबंध चैटर्जी के सहसंबंध और KMAc की तुलना में बेहतर शक्ति प्रदर्शित करता है।
- विधि अच्छी तरह से कैलिब्रेटेड टाइप I एरर रेट बनाए रखती है, विशेष रूप से बड़े सैंपल साइज के लिए।
वास्तविक डेटा अनुप्रयोग:
- मासिक धर्म हार्मोन डेटा: चार प्रजनन हार्मोन पर लागू करने पर, कवरेज सहसंबंध एकमात्र ऐसा तरीका था जिसने प्रत्येक हार्मोन के जोड़े के लिए 5% स्तर पर सांख्यिकीय रूप से महत्वपूर्ण निर्भरता का पता लगाया, जो ज्ञात जैविक फीडबैक सिस्टम के अनुरूप है।
- सिंगल-सेल RNA सीक्वेंसिंग: 9,369 CD8+ T कोशिकाओं और 1,000 जीन के एक डेटासेट में, कवरेज सहसंबंध ने 54 महत्वपूर्ण जीन जोड़ों की पहचान की जिन्हें पीयर्सन, स्पीयरमैन और चैटर्जी के सहसंबंधों द्वारा छोड़ दिया गया था। इन जोड़ों के दृश्य निरीक्षण ने L-आकार के संबंधों को प्रकट किया जो निहित कार्यात्मक निर्भरता का संकेत देते हैं।

महत्व और दावे

शोध पत्र यह दावा करता है कि कवरेज सहसंबंध गुणांक एक सममित, वितरण-मुक्त, और कम्प्यूटेशनल रूप से कुशल उपकरण प्रदान करके सांख्यिकीय जुड़ाव मापों में एक महत्वपूर्ण अंतर को भरता है। इसकी विश्लेषणात्मक रूप से सुलभ एसिम्प्टोटिक नल वितरण प्रदान करने की क्षमता इसे बड़े पैमाने के पेयरवाइज टेस्टिंग परिदृश्यों (जैसे जीनोमिक्स) के लिए विशेष रूप से उपयुक्त बनाती है जहाँ परम्यूटेशन-आधारित विधियाँ कम्प्यूटेशनल रूप से अव्यवहार्य होती हैं।

लेखक इसे घनत्व अनुमान (density estimation) की आवश्यकता वाले मौजूदा डाइवर्जेंस-आधारित अनुमानकों के एक मजबूत विकल्प के रूप में प्रस्तुत करते हैं, यह नोट करते हुए कि कवरेज सहसंबंध सीधे रैंक और अनकवर्ड वॉल्यूम पर काम करता है। जबकि शोध पत्र आयाम $d_X + d_Y \in \{3, 4\}$ के लिए निरंतरता प्रमाणों में एक सैद्धांतिक अंतराल को स्वीकार करता है, यह दावा करता है कि विधि यूनिवेरिएट मामलों के लिए और उच्च-आयामी मामलों ( $d_X + d_Y \geq 5$ ) के लिए नियमितता शर्तों के तहत सैद्धांतिक रूप से सुदृढ़ है, और विभिन्न आयामों में अनुभवजन्य रूप से प्रभावी है। कार्य इस बात पर जोर देता है कि सांख्यिकीय यह मापता है कि संयुक्त नियम किस हद तक उत्पाद स्थान को कवर करने में विफल रहता है, जो मौजूदा कार्यात्मक निर्भरता मापों के पूरक के रूप में एक ज्यामितीय परिप्रेक्ष्य प्रदान करता है।