तकनीकी सारांश: सामान्य प्रतिस्थापन (General Imputation) के साथ गैर-मोनोटोनिक लुप्तता (Nonmonotone Missingness) के तहत कुशल अनुमान की ओर

1. समस्या विवरण

यह शोध पत्र गैर-मोनोटोनिक लुप्तता (जिसे ब्लॉकवाइज लुप्तता भी कहा जाता है) की उपस्थिति में पैरामीटर अनुमान और निष्कर्ष (inference) की चुनौती को संबोधित करता है। इस सेटिंग में, विभिन्न इकाइयाँ चरों (modalities) के मनमाने, गैर-नेस्टेड उपसमुच्चयों (subsets) का अवलोकन करती हैं, जो आधुनिक मल्टी-ओमिक्स अध्ययनों, इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स और बड़े सर्वेक्षणों में एक सामान्य परिदृश्य है।

मानक दृष्टिकोण दो प्राथमिक सीमाओं का सामना करते हैं:

1. पूर्ण-मामला विश्लेषण (Complete-case analysis) अपूर्ण डेटा वाली इकाइयों को त्याग देता है, जिससे पर्याप्त जानकारी का नुकसान होता है और दक्षता कम हो जाती है।
2. प्रत्यक्ष प्रतिस्थापन (Direct imputation) (लुप्त मानों को प्रतिस्थापित करना) अक्सर वैध अनिश्चितता परिमाणीकरण या दक्षता को बनाए रखने में विफल रहता है, विशेष रूप से जब प्रतिस्थापन मॉडल गलत (misspecified) या पक्षपाती हों।

लक्ष्य सभी देखे गए पैटर्नों में से जानकारी को संयोजित करना है ताकि सामान्य प्रतिस्थापन कार्यों (जो गलत हो सकते हैं) और Missing Completely at Random (MCAR) तंत्र के तहत वैधता बनाए रखते हुए अर्ध-पैरामीट्रिक दक्षता प्राप्त की जा सके। यह पत्र Missing at Random (MAR) के विस्तार की भी खोज करता है।

2. कार्यप्रणाली

2.1 सैद्धांतिक ढांचा

लेखक इस समस्या को अर्ध-पैरामीट्रिक सिद्धांत (semiparametric theory) के भीतर फ्रेम करते हैं। मान लीजिए कि $Z$ पूर्ण डेटा वेक्टर है और $\theta^*$ लक्षित पैरामीटर है जिसे एक पूर्ण-डेटा अनुमान समीकरण $E_P[\psi_F(Z, \theta^*)] = 0$ द्वारा परिभाषित किया गया है। MCAR के तहत, अर्ध-पैरामीट्रिक कुशल अनुमानित फलन $\psi_{opt} = L\{M^{-1}[\psi_F]\}$ द्वारा दिया जाता है, जहाँ $M$ और $L$ पैटर्न-विशिष्ट सशर्त अपेक्षाओं से निर्मित रैखिक ऑपरेटर हैं। हालाँकि, व्युत्क्रम ऑपरेटर $M^{-1}$ पैटर्न के बीच जटिल संघोशों (compositions) के संयोजन को शामिल करता है, जो इसे सामान्यतः अव्यवहार्य (intractable) बनाता है।

2.2 RAY अपघटन (The RAY Decomposition)

$M^{-1}$ की अव्यवहार्यता को दूर करने के लिए, लेखक Restricted ANOVA hierarchY (RAY) पेश करते हैं।

• कार्यात्मक अपघटन (Functional Decomposition): RAY किसी भी फलन $f$ को देखे गए पैटर्न $\mathcal{Q}$ पर प्रतिबंधित समावेशन-अपवर्जन सिद्धांत (inclusion-exclusion principle) का उपयोग करके घटकों की एक पदानुक्रम $P_s(f)$ में विभाजित करता है।
• लगभग-आइगन संरचना (Almost-Eigen Structure): MCAR के तहत, ऑपरेटर $M$ इन घटकों $P_s(f)$ पर एक "लगभग-आइगन-ऑपरेटर" के रूप में कार्य करता है: $M[P_s(f)] = \lambda_s P_s(f) + \text{Rem}_s(f)$, जहाँ $\lambda_s = P(R \supseteq s)$ वह प्रायिकता है कि एक इकाई कम से कम सेट $s$ की मोडालिटीज को देखती है। शेष पद (remainder term) $\text{Rem}_s$ गैर-नेस्टेड पैटर्नों के बीच सशर्त अपेक्षाओं के संयोजन को शामिल करता है।
• बंद-रूप सन्निकटन (Closed-Form Approximation): शेष पदों (जो विशिष्ट संरचनात्मक स्थितियों के तहत लुप्त हो जाते हैं) और क्रॉस-पैटर्न संघोशों को अनदेखा करके, लेखक $M^{-1}$ के लिए एक सुलभ, बंद-रूप सन्निकटन प्राप्त करते हैं। इससे RAY अनुमानित फलन प्राप्त होता है:
  $$\psi(R, Z_R, \theta^*) = \frac{I(R=[p])}{\pi_{[p]}} \psi_F(Z, \theta^*) + \sum_{r \in \mathcal{Q}, r \neq [p]} \omega_r A_r[\psi_F(Z, \theta^*)]$$
  जहाँ $\omega_r$ पैटर्न की प्रायिकताओं से प्राप्त बंद-रूप भार (weights) हैं।

2.3 अनुमानक निर्माण और ट्यूनिंग (Estimator Construction and Tuning)

• सामान्य प्रतिस्थापन (General Imputation): पद $A_r[\psi_F]$ देखे गए पैटर्न $r$ के सापेक्ष अनुमानित फलन का सशर्त अपेक्षा प्रतिनिधित्व है। व्यवहार में, इसे एक प्रतिस्थापन फलन $F_r(Z_r; \theta)$ द्वारा प्रतिस्थापित किया जाता है, जो एक प्रेडिक्टिव मॉडल (जैसे न्यूरल नेटवर्क) या मोंटे कार्लो सन्निकटन हो सकता है। महत्वपूर्ण रूप से, MCAR के तहत, RAY भार शून्य-माध्य (mean-zero) होते हैं और प्रतिस्थापन फलनों से स्वतंत्र होते हैं, जिससे यह सुनिश्चित होता है कि यदि प्रतिस्थापन मॉडल गलत भी हों, तो भी अनुमानक निष्पक्ष (unbiased) बना रहता है।
• सेफगार्ड ट्यूनिंग (Safeguard Tuning): दक्षता में सुधार के लिए, लेखक प्रत्येक प्रतिस्थापन फलन के लिए ट्यूनिंग पैरामीटर $\alpha_r$ पेश करते हैं। अनुमानक एक नमूना-कैलिब्रेटेड समीकरण को हल करता है जहाँ भारों को एक अनुमानित विचरण मानदंड को न्यूनतम करने के लिए समायोजित किया जाता है।
• Adaptive RAY (aRAY): यह पहचानते हुए कि न तो RAY और न ही मौजूदा Imputation-Powered Inference (IPI) विधियाँ समान रूप से दूसरे पर हावी हैं, लेखक अनुमानकों का एक व्यापक वर्ग प्रस्तावित करते हैं जिसमें दोनों विशेष मामले शामिल हैं। Adaptive RAY (aRAY) अनुमानक इस वर्ग के भीतर ट्यूनिंग मापदंडों को अनुकूलित करता है ताकि न्यूनतम स्पर्शोन्मुखी विचरण (asymptotic variance) प्राप्त किया जा सके।

2.4 MAR तक विस्तार

यह शोध पत्र MAR सेटिंग में RAY के विस्तार की जांच करता है।

• प्रत्यक्ष विस्तार: एक प्रत्यक्ष एनालॉग (direct analogue) MCAR भारों का मौजूद है लेकिन यह आम तौर पर अनदेखी मोडालिटीज पर निर्भर करता है, जिससे यह एक देखे गए-डेटा अनुमानक के रूप में अव्यवहार्य हो जाता है।
• प्रक्षेपित विस्तार (Projected Extension): टेल प्रोपेंसिटीज (tail propensities) को देखी गई मोडालिटीज पर प्रोजेक्ट करके, एक व्यवहार्य अनुमानक बनाया जाता है। हालाँकि, यह एक "प्रोजेक्टेड टेल प्रोपेंसिटी" नामक बाधा उत्पन्न करता है। लेखक दिखाते हैं कि इस बाधा का अनुमान लगाना प्रथम क्रम (first order) में लक्ष्य समीकरण में योगदान देता है। नियमित निष्कर्ष (regular inference) संभव है यदि बाधा (nuisance) में रूट-$N$ सुसंगत पैरामीट्रिक अनुमानक हों, जो स्टैक्ड एस्टीमेशन का उपयोग करते हैं।

3. मुख्य योगदान

1. बंद-रूप कुशल सन्निकटन (Closed-Form Efficient Approximation): यह शोध पत्र मनमाने गैर-मोनोटोनिक लुप्त पैटर्न के लिए अर्ध-पैरामीट्रिक कुशल अनुमानक का एक बंद-रूप, गणना योग्य सन्निकटन प्रदान करता है, जिससे सटीक व्युत्क्रम ऑपरेटर के लिए आवश्यक जटिल पुनरावृत्त या नेस्टेड रिग्रेशन से बचा जा सकता है।
2. प्रतिस्थापन-मजबूत वैधता (Imputation-Robust Validity): प्रस्तावित RAY अनुमानक मनमाने स्वतंत्र प्रतिस्थापन फलनों के लिए वैध है, जिसमें गलत या पक्षपाती मॉडल भी शामिल हैं। MCAR के तहत RAY भारों के शून्य-माध्य गुण द्वारा वैधता की गारंटी दी जाती है।
3. अनुकूली दक्षता (Adaptive Efficiency): Adaptive RAY (aRAY) का परिचय, जो RAY और IPI को एक बड़े वर्ग में शामिल करता है, न्यूनतम स्पर्शोन्मुखी विचरण प्राप्त करने के लिए ट्यूनिंग मापदंडों को अनुकूलित करने की अनुमति देता है।
4. सटीकता की स्थितियाँ और दक्षता सीमाएँ (Exactness Conditions and Efficiency Bounds):
   • लेखक एक आवश्यक और पर्याप्त स्थिति स्थापित करते हैं जिसके लिए RAY दक्षता निचली सीमा (efficiency lower bound) को प्राप्त करता है: प्रति-पैटर्न अवशेष (per-pattern residuals) शून्य होने चाहिए।
   • वे सटीकता (exactness) के लिए सत्यापन योग्य पर्याप्त स्थितियाँ भी पहचानते हैं, जिनमें शामिल हैं: (i) इंटरसेक्शन-क्लोज्ड देखे गए पैटर्न और स्वतंत्र मोडालिटीज, (ii) मनमाने डिपेंडेंस के तहत मोनोटोनिक पैटर्न, और (iii) एंकरड पैटर्न और सशर्त स्वतंत्र नॉन-कोर मोडालिटीज।
   • जब ये स्थितियाँ विफल होती हैं, तो दक्षता अंतराल को दो व्याख्या योग्य कारकों द्वारा सीमित किया जाता है: एक सहसंबंध कारक (ओवरलैपिंग पैटर्न के बीच निजी मोडालिटीज के बीच निर्भरता द्वारा संचालित) और एक संरचनात्मक कारक (आवश्यक पैटर्न इंटरसेक्शन की अनुपस्थिति द्वारा संचालित)।
5. MAR विस्तार विश्लेषण: शोध पत्र सामान्य MAR में RAY के विस्तार के लिए सैद्धांतिक बाधाओं को रेखांकित करता है, जो विशेष रूप से प्रोजेक्टेड टेल प्रोपेंसियों की भूमिका और रूट-$N$ निष्कर्ष के लिए आवश्यकताओं की पहचान करता है।

4. परिणाम

4.1 सिमुलेशन अध्ययन

लेखकों ने चार सिमुलेशन प्रयोग किए:

• नमूना आकार में भिन्नता: RAY और aRAY ने पूर्ण-मामला (CC) और PPI++ अनुमानकों की तुलना में RMSE और कॉन्फिडेंस इंटरवल की चौड़ाई को लगातार कम किया, जबकि नाममात्र 95% कवरेज बनाए रखा।
• प्रतिस्थापन गुणवत्ता में भिन्नता: अनुमानकों ने मजबूती प्रदर्शित की; जैसे-जैसे प्रतिस्थापन की गुणवत्ता शुद्ध शोर (pure noise) तक गिर गई, ट्यूनड अनुमानकों ने स्वचालित रूप से CC अनुमानक के प्रदर्शन को अपनाया, जो सेफगार्ड ट्यूनिंग की प्रभावशीलता को दर्शाता है।
• रैखिक प्रतिगमन (Linear Regression): निम्न-आयामी प्रतिगमन सेटिंग्स में, RAY, IPI और aRAY ने CC के सापेक्ष 6-10% RMSE कमी और 12-18% विचरण कमी हासिल की।
• संवेदनशीलता विश्लेषण: नियंत्रित MAR और MNAR विचलन के तहत, MCAR-आधारित अनुमानकों ने बढ़ी हुई पक्षपात (bias) और अंडरकवरेज प्रदर्शित की, जिसमें गिरावट की डिग्री लुप्तता तंत्र के उल्लंघन की शक्ति के साथ बढ़ती गई।

4.2 सिंगल-सेल मल्टी-ओमिक्स में अनुप्रयोग

इस पद्धति को सिंगल-सेल डेटा में औसत सतह प्रोटीन प्रचुरता (ADT) का अनुमान लगाने के लिए लागू किया गया, जहाँ विभिन्न परख (assays) (DOGMA-seq, CITE-seq, ASAP-seq) RNA, ATAC और ADT के विभिन्न संयोजनों को प्रदान करते हैं।

• सेटअप: RNA और/या ATAC से ADT की भविष्यवाणी करने के लिए न्यूरल नेटवर्क को प्री-ट्रेन किया गया था। इनका उपयोग रैंडमाइज्ड मिसिंग पैटर्न वाले बेंचमार्क डेटासेट पर RAY ढांचे के भीतर प्रतिस्थापन कार्यों के रूप में किया गया था।
• प्रदर्शन: संवर्धित अनुमानकों (RAY, IPI, aRAY) ने पूर्ण-मामला अनुमानक की तुलना में कम एब्सोल्यूट एरर प्राप्त किया। aRAY अनुमानक समान रूप से सबसे कुशल था, जिसने अत्यधिक प्रचुर प्रोटीन के लिए पूर्ण-मामला दृष्टिकोण की तुलना में कॉन्फिडेंस इंटरवल की लंबाई को 35% तक कम कर दिया।

5. महत्व और दावे

यह शोध पत्र ब्लॉकवाइज मिसिंग डेटा के बढ़ते सामान्य परिदृश्य में कुशल निष्कर्ष के लिए एक व्यावहारिक और सैद्धांतिक रूप से सुदृढ़ समाधान प्रदान करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

• सिद्धांत और व्यवहार को जोड़ना: यह जटिल पुनरावृत्त एल्गोरिदम की आवश्यकता के बिना अमूर्त अर्ध-पैरामीट्रिक दक्षता सीमा को एक बंद-रूप, कार्यान्वयन योग्य अनुमानक में अनुवादित करता है।
• मजबूती (Robustness): यह निष्कर्ष की वैधता को प्रतिस्थापन मॉडल की सटीकता से अलग करता है, जो लचीले मशीन लर्निंग मॉडल का उपयोग करते समय एक महत्वपूर्ण विशेषता है जो गलत हो सकते हैं।
• दक्षता लाभ: यह दर्शाता है कि मनमाने मिसिंग पैटर्नों के बीच जानकारी को संयोजित करने से, अपूर्ण प्रतिस्थापन के बावजूद, पूर्ण-मामला विश्लेषण की तुलना में पर्याप्त दक्षता लाभ मिल सकता है।
• सीमाओं को स्पष्ट करना: शोध पत्र विनम्रता से स्वीकार करता है कि बंद-रूप का लाभ मौलिक रूप से एक MCAR परिणाम है। सामान्य MAR के तहत, नियमित निष्कर्ष प्राप्त करने के लिए विधि को विशिष्ट पैरामीट्रिक धारणाओं या ऑर्थोगोनलाइजेशन तकनीकों की आवश्यकता होती है, जो भविष्य के कार्य के लिए एक दिशा है।

लेखक इस बात पर जोर देते हैं कि उनके संरचनात्मक परिणाम (सटीकता की स्थितियाँ) और दक्षता सीमाएँ यह समझने के लिए एक स्पष्ट ढांचा प्रदान करते हैं कि यह विधि कब और क्यों काम करती है, जो जटिल लुप्त डेटा संरचनाओं से निपटने वाले अभ्यासकर्ताओं के लिए एक नैदानिक ढांचा प्रदान करता है।