🤖 machine learning

Beyond Membership: Limitations of Add/Remove Adjacency in Differential Privacy

यह शोध पत्र यह प्रदर्शित करता है कि डिफरेंशियल प्राइवेसी अकाउंटिंग के लिए मानक 'ऐड/रिमूव' (add/remove) एडजसेंसी संबंध का उपयोग करना, प्रतिस्थाप्य (substitute) एडजसेंसी संबंध की तुलना में व्यक्तिगत रिकॉर्ड विशेषताओं की सुरक्षा को काफी बढ़ा-चढ़ाकर बताता है, जो रिपोर्ट किए गए गारंटियों और एट्रिब्यूट इन्फरेंस हमलों (attribute inference attacks) के विरुद्ध वास्तविक सुरक्षा के बीच एक महत्वपूर्ण अंतर को उजागर करता है।

मूल लेखक: Gauri Pradhan, Joonas Jälkö, Santiago Zanella-Béguelin, Antti Honkela

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gauri Pradhan, Joonas Jälkö, Santiago Zanella-Béguelin, Antti Honkela

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

मुख्य चित्र: "प्राइवेसी का वादा" बनाम वास्तविकता

कल्पना कीजिए कि आप एक पार्टी के लिए केक बना रहे हैं, लेकिन आप अपनी गुप्त पारिवारिक रेसिपी को सुरक्षित रखना चाहते हैं। आप एक विशेष "प्राइवेसी शील्ड" (जिसे डिफरेंशियल प्राइवेसी या DP कहा जाता है) का उपयोग करने का निर्णय लेते हैं जो आपकी सामग्री (ingredients) को छिपाने का वादा करती है।

वर्षों से, इस शील्ड का परीक्षण करने का मानक तरीका यह पूछना रहा है: "यदि मैं एक सामग्री (जैसे चीनी) को बदलकर उसे हटा दूँ, तो क्या कोई अंतर बता पाएगा?" इसे ऐड/रिमूव (Add/Remove) टेस्ट कहा जाता है। यदि केक का स्वाद वैसा ही रहता है चाहे आपने थोड़ा सा चीनी डाली हो या उसे हटा दिया हो, तो इसका मतलब है कि शील्ड काम कर रही है।

समस्या: यह पेपर तर्क देता है कि यह टेस्ट बहुत आसान है। वास्तविक दुनिया में, लोग केवल यह नहीं जानना चाहते कि क्या आपने चीनी का उपयोग किया; वे यह भी जानना चाहते हैं कि आपने किस प्रकार की चीनी का उपयोग किया (जैसे, "क्या यह ऑर्गेनिक केन शुगर है या सस्ती कॉर्न सिरप?")।

लेखक दिखाते हैं कि जबकि "ऐड/रिमूव" शील्ड इस बात को छिपाने में महान है कि रसोई में कौन था, यह उन विशिष्ट सामग्रियों (attributes) को छिपाने में आश्चर्यजनक रूप से खराब है जो उन लोगों ने योगदान दी थीं।

मूल अवधारणा: डेटासेट की तुलना करने के तीन तरीके

पेपर को समझने के लिए, हमें दो डेटासेट (यानी "सामग्री सूची") के संस्करणों की तुलना कैसे की जाती है, इसे देखना होगा:

ऐड/रिमूव (मानक):
- उपमा: आपके पास एक सूप है। आप गाजर के साथ वाले सूप की तुलना गाजर के बिना वाले सूप से करते हैं।
- लक्ष्य: इस बात की रक्षा करना कि कोई यह न पूछ सके, "क्या बॉब रसोई में था?"
- वर्तमान स्थिति: आज के अधिकांश AI उपकरण इसी का उपयोग करते हैं।
सबस्टिट्यूट (वास्तविक खतरा):
- उपमा: आपके पास एक सूप है। आप गाजर वाले सूप की तुलना पार्सनिप (parsnip) वाले सूप से करते हैं।
- लक्ष्य: इस बात की रक्षा करना कि कोई यह न पूछ सके, "क्या बॉब ने गाजर का उपयोग किया या पार्सनिप का?"
- मुद्दा: पेपर दिखाता है कि "ऐड/रिमूव" शील्ड इस हमले के खिलाफ कमजोर है। यदि आप गाजर को पार्सनिप से बदलते हैं, तो AI मॉडल का स्वाद काफी बदल सकता है, जिससे उपयोग की गई विशिष्ट सामग्री का पता चल जाता है।
जीरो-आउट (एक विशेष मामला):
- उपमा: गाजर की जगह एक खाली चम्मच रखना। (गणितीय रूप से ऐड/रिमूव के समान)।

प्रयोग: "कोयले की खान में कैनरी" (Canary in the Coal Mine)

अपने बिंदु को सिद्ध करने के लिए, शोधकर्ताओं ने एक "ट्रैप" बनाया ताकि यह देखा जा सके कि क्या प्राइवेसी शील्ड वास्तव में सबस्टिट्यूट (Substitute) हमले के खिलाफ काम करती है।

कैनरी (Canary): उन्होंने एक विशेष, नकली डेटा पॉइंट (एक "कैनरी") बनाया जो एक जासूस की तरह काम करता है।
सेटअप: उन्होंने दो AI मॉडल प्रशिक्षित किए:
- मॉडल A: कैनरी के साथ प्रशिक्षित (जैसे, "डॉग" लेबल वाली बिल्ली की तस्वीर)।
- मॉडल B: एक अलग कैनरी के साथ प्रशिक्षित (जैसे, "बर्ड" लेबल वाली बिल्ली की तस्वीर)।
परीक्षण: उन्होंने एक हमलावर (हैकर) से अंतिम AI मॉडल को देखने और यह अनुमान लगाने के लिए कहा: "क्या आपने 'डॉग' लेबल पर प्रशिक्षण लिया था या 'बर्ड' लेबल पर?"

परिणाम:
AI मॉडल यह बताने में आश्चर्यजनक रूप से सक्षम थे कि किस लेबल का उपयोग किया गया था। भले ही प्राइवेसी गणित (जो ऐड/रिमूव पर आधारित था) ने कहा कि जोखिम बहुत कम होना चाहिए, वास्तविक जोखिम बहुत अधिक था। "ऐड/रिमूव" गणित सुरक्षा का अति-आकलन (overestimating) कर रहा था।

ऐसा क्यों होता है? ("ग्रुप प्राइवेसी" का जाल)

यह पेपर समझाता है कि कई प्राइवेसी टूल्स चतुर होने की कोशिश करते हैं। वे सोचते हैं: "यदि मैं एक रिकॉर्ड जोड़ने और एक रिकॉर्ड हटाने से रक्षा कर सकता हूँ, तो मुझे स्वतः ही एक को दूसरे से बदलने से भी रक्षा करनी चाहिए।"

वे एक गणितीय शॉर्टकट का उपयोग करते हैं जिसे ग्रुप प्राइवेसी (Group Privacy) कहा जाता है।

उपमा: यह कहने जैसा है कि, "यदि मैं सामने का दरवाजा और पीछे का दरवाजा लॉक कर सकता हूँ, तो मैं खिड़की टूटने से भी सुरक्षित हूँ।"
वास्तविकता: गणित दिखाता है कि यह शॉर्टकट बहुत ढीला है। यह मान लेता है कि सबसे खराब स्थिति वास्तव में बहुत बदतर है, या इसके विपरीत, कि सुरक्षा वास्तव में जितनी है उससे कहीं अधिक मजबूत है। इस मामले में, शॉर्टकट ने सुरक्षा गारंटी को वास्तविक सुरक्षा की तुलना में बहुत अधिक मजबूत दिखाया।

वास्तविक दुनिया पर प्रभाव

आपको इसकी परवाह क्यों करनी चाहिए?

झूठी सुरक्षा (False Security): यदि कोई कंपनी संवेदनशील डेटा (जैसे मेडिकल रिकॉर्ड) पर मॉडल प्रशिक्षित करने के लिए मानक AI टूल्स (जैसे Opacus) का उपयोग करती है, तो उन्हें लग सकता है कि वे सुरक्षित हैं क्योंकि "ऐड/रिमूव" गणित ऐसा कहता है।
लीक (The Leak): यदि किसी हैकर को पता चलता है कि डेटासेट में एक विशिष्ट रोगी शामिल था, तो वे उस रोगी की विशिष्ट बीमारी (जैसे, "रोगी X को बीमारी Y है") का पता लगाने में सक्षम हो सकते हैं, भले ही कंपनी को लगा हो कि वे सुरक्षित हैं।
फाइन-ट्यूनिंग जोखिम भरी है: पेपर ने पाया कि यह समस्या तब विशेष रूप से खराब हो जाती है जब कंपनियाँ एक प्री-ट्रेंड AI (जैसे चैटबॉट) को अपने निजी डेटा पर "फाइन-ट्यून" करती हैं। "ऐड/रिमूव" शील्ड फाइन-ट्यूनिंग के दौरान जोड़े गए विशिष्ट लेबल्स की रक्षा करने में विफल रहती है।

प्रस्तावित समाधान

लेखक यह नहीं कह रहे हैं कि "डिफरेंशियल प्राइवेसी का उपयोग न करें।" वे कह रहे हैं: "गलत पैमाने का उपयोग करना बंद करें।"

केवल यह न मापें कि क्या आप एक रिकॉर्ड जोड़े जाने का पता लगा सकते हैं।
बल्कि यह मापें कि क्या आप एक रिकॉर्ड को दूसरे से बदलने का पता लगा सकते हैं।

वे इस "सबस्टिट्यूट" प्राइवेसी को सटीक रूप से मापने के लिए नए उपकरण (एल्गोरिदम) प्रदान करते हैं। वे दिखाते हैं कि यदि आप इन नए उपकरणों का उपयोग करते हैं, तो प्राइवेसी के आंकड़े गिर जाते हैं (यानी, सुरक्षा उतनी मजबूत नहीं है जितनी हमने सोची थी), लेकिन कम से कम आप वास्तविक सच्चाई जानते हैं।

एक वाक्य में सारांश

वर्तमान प्राइवेसी टूल्स एक ऐसे ताले की तरह हैं जो लोगों को यह जानने से तो रोकता है कि क्या आप कमरे में थे, लेकिन यह उन्हें यह जानने से रोकने में विफल रहता है कि आप वहां क्या कर रहे थे; यह पेपर साबित करता है कि हमें एक ऐसे मजबूत ताले की आवश्यकता है जो आपके कार्यों के विशिष्ट विवरणों की रक्षा करे, न कि केवल आपकी उपस्थिति की।

यहाँ शोध पत्र "Beyond Membership: Limitations of Add / Remove Adjacency in Differential Privacy" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डिफरेंशियल प्राइवेसी (DP) मशीन लर्निंग में संवेदनशील डेटा की सुरक्षा के लिए एक मानक ढांचा है। हालाँकि, DP के गारंटी की मजबूती काफी हद तक चुने गए एडजसेंसी रिलेशन (adjacency relation) पर निर्भर करती है:

एड/रिमूव एडजसेंसी ( $\sim_{AR}$ ): दो डेटासेट तब 'एडजसेंट' होते हैं जब एक को एक सिंगल रिकॉर्ड जोड़कर या हटाकर प्राप्त किया जा सकता है। यह अधिकांश DP लाइब्रेरीज़ (जैसे, Opacus) द्वारा उपयोग किया जाने वाला मानक है और मेंबरशिप इंफरेंस अटैक्स (यह निर्धारित करना कि क्या कोई विशिष्ट व्यक्ति प्रशिक्षण सेट में शामिल था) के विरुद्ध सुरक्षा प्रदान करता है।
सबस्टीट्यूट एडजसेंसी ( $\sim_{S}$ ): दो डेटासेट तब 'एडजसेंट' होते हैं जब एक डेटासेट में एक रिकॉर्ड को दूसरे रिकॉर्ड से बदल दिया जाता है। यह एट्रीब्यूट इंफरेंस अटैक्स (यह निर्धारित करना कि क्या किसी डेटासेट में मौजूद व्यक्ति के विशिष्ट गुण या लेबल ज्ञात हैं) के विरुद्ध सुरक्षा प्रदान करता है।

मुख्य मुद्दा: लेखक तर्क देते हैं कि जो अभ्यासकर्ता (practitioners) मानक DP लाइब्रेरीज़ पर भरोसा करते हैं, वे अक्सर यह मान लेते हैं कि एड/रिमूव एडजसेंसी के तहत गणना किया गया प्राइवेसी बजट ( $\epsilon$ ) एट्रीब्यूट प्राइवेसी के लिए पर्याप्त सुरक्षा प्रदान करता है। यह शोध पत्र इस गलत धारणा को उजागर करता है: एड/रिमूव बाउंड्स, एट्रीब्यूट इंफरेंस के विरुद्ध सुरक्षा को काफी अधिक बढ़ा-चढ़ाकर बताते हैं। एक हमलावर (adversary) दो डेटासेट्स के बीच अंतर करने में बहुत अधिक आत्मविश्वास के साथ सक्षम हो सकता है, जो केवल एक सब्स्टीट्यूटेड रिकॉर्ड द्वारा भिन्न होते हैं, भले ही वह एड/रिमूव $\epsilon$ द्वारा सुझाए गए स्तर से कहीं अधिक हो। यह प्रभावी रूप से एट्रीब्यूट्स के लिए प्राइवेसी गारंटियों को तोड़ देता है।

2. कार्यप्रणाली (Methodology)

इस अंतर को मापने के लिए, लेखकों ने विशेष रूप से 'सबस्टीट्यूट एडजसेंसी' के लिए तैयार किया गया एक व्यापक प्राइवेसी ऑडिटिंग फ्रेमवर्क विकसित किया है।

A. ऑडिटिंग फ्रेमवर्क

लेखक एक थ्रेट मॉडल (threat model) परिभाषित करते हैं जहाँ एक हमलावर दो पड़ोसी डेटासेट्स, $D$ और $D'$ , के बीच अंतर करने का प्रयास करता है, जहाँ $D'$ को एक टारगेट रिकॉर्ड $z \in D$ को एक "कैनरी" (canary) रिकॉर्ड $z'$ से बदलकर बनाया गया है। हमलावर के पास अंतिम प्रशिक्षित मॉडल (Hidden-State setting) या इंटरमीडिएट ग्रेडिएंट्स (Visible-State setting) तक पहुँच होती है।

वे पांच विशिष्ट कैनरी क्राफ्टिंग परिदृश्य (canary crafting scenarios) प्रस्तावित करते हैं (पेपर की टेबल 1) ताकि $D$ और $D'$ के बीच डिस्टिंगुइशेबिलिटी (distinguishability) को अधिकतम किया जा सके:

S1 (ग्रेडिएंट स्पेस, वर्स्ट-केस): $D$ और $D'$ को इस तरह तैयार करना कि $z$ और $z'$ समान परिमाण ( $C$ ) लेकिन विपरीत दिशाओं के ग्रेडिएंट्स उत्पन्न करें। यह एक सैद्धांतिक निचला स्तर (lower bound) प्रदान करता है।
S2 (ग्रेडिएंट स्पेस, नेचुरल डेटा): ऐसे ग्रेडिएंट कैनरीज ( $g_z, g_{z'}$ ) तैयार करना जो उस मॉडल पैरामीटर को लक्षित करते हैं जो प्रशिक्षण के दौरान सबसे कम बदलता है, जिससे निरंतर सिग्नल इंजेक्शन सुनिश्चित होता है।
S3 (इनपुट स्पेस, क्राफ्टेड इनपुट): एक ऐसा एडवरसैरियल इनपुट $x'$ जनरेट करना जिसमें सही लेबल $y$ हो और जो टारगेट सैंपल के ग्रेडिएंट के साथ कोसाइन सिमिलैरिटी (cosine similarity) को न्यूनतम करता हो।
S4 (इनपुट स्पेस, मिसलेबल): एक ऐसा इनपुट $x$ जनरेट करना जिसमें गलत लेबल $y'$ हो और जो ग्रेडिएंट सिमिलैरिटी को न्यूनतम करता हो।
S5 (इनपुट स्पेस, एडवरसैरियल नेचुरल): एक सहायक डेटासेट से एक ऐसा नेचुरल सैंपल चुनना जो ग्रेडिएंट स्पेस में टारगेट से अधिकतमतः भिन्न हो।

B. प्राइवेसी अकाउंटिंग (Privacy Accounting)

लेखक तीन मेट्रिक्स की तुलना करते हैं:

$\epsilon_{AR}$ (अकाउंटिंग): मानक एड/रिमूव अकाउंटेंट्स का उपयोग करके गणना किया गया सैद्धांतिक बाउंड।
$\epsilon_{S}$ (अकाउंटिंग): एक सबस्टीट्यूट अकाउंटेंट (विशेष रूप से पॉइसन सबसैंपलिंग के लिए अनुकूलित) का उपयोग करके गणना किया गया सैद्धांतिक बाउंड।
$\epsilon_{S}$ (ग्रुप प्राइवेसी): सब्स्टीट्यूशन को एक 'एड' + एक 'रिमूव' ऑपरेशन के रूप में मानकर निकाला गया एक अनुमान (थ्योरम 4.1 का उपयोग करके)।
$\epsilon$ (ऑडिटिंग): कैनरी अटैक्स की सफलता दर से प्राप्त प्राइवेसी लॉस का एम्पिरिकल (empirical) निचला स्तर।

वे एम्पिरिकल फॉल्स पॉजिटिव/नेगेटिव दरों को $\epsilon$ के निचले स्तर में बदलने के लिए Gaussian Differential Privacy (GDP) और $\mu$ -GDP फ्रेमवर्क का उपयोग करते हैं।

3. मुख्य योगदान (Key Contributions)

नवीन ऑडिटिंग एल्गोरिदम: पेपर दोनों ग्रेडिएंट स्पेस और इनपुट स्पेस में सबस्टीट्यूट एडजसेंसी के लिए वर्स्ट-केस कैनरीज बनाने के लिए एल्गोरिदम (एल्गोरिदम 2-5) पेश करता है।
एम्पिरिकल गैप का प्रदर्शन: वे एम्पिरिकल साक्ष्य प्रदान करते हैं जो दिखाते हैं कि सब्स्टीट्यूट अटैक्स के तहत देखा गया प्राइवेसी लीकेज ( $\epsilon$ ), एड/रिमूव अकाउंटेंट्स द्वारा दिए गए गारंटियों ( $\epsilon_{AR}$ ) से अधिक है।
सबस्टीट्यूट अकाउंटिंग का सत्यापन: उनके एम्पिरिकल परिणाम सब्स्टीट्यूट अकाउंटेंट्स ( $\epsilon_{S}$ ) द्वारा अनुमानित सैद्धांतिक बाउंड्स का बारीकी से पालन करते हैं, जो यह सिद्ध करता है कि एट्रीब्यूट प्राइवेसी के लिए सब्स्टीट्यूट अकाउंटिंग ही सही मीट्रिक है।
ग्रुप प्राइवेसी अनुमान की आलोचना: वे दिखाते हैं कि ग्रुप प्राइवेसी (थ्योरम 4.1) के माध्यम से सब्स्टीट्यूट एडजसेंसी को अनुमानित करना, डायरेक्ट न्यूमेरिकल अकाउंटिंग की तुलना में सब-ऑप्टिमल (कम सटीक) ऊपरी सीमाएँ देता है।

4. मुख्य परिणाम (Key Results)

प्रयोग निम्नलिखित पर किए गए थे:

इमेज क्लासिफिकेशन: CIFAR-10 पर फाइन-ट्यून किया गया ViT-B-16।
टेक्स्ट क्लासिफिकेशन: SST-2 पर फाइन-ट्यून किया गया Sentence-BERT।
फ्रॉम-स्क्रैच ट्रेनिंग: Purchase100 पर प्रशिक्षित MLP।

निष्कर्ष:

एड/रिमूव ओवरएस्टिमेशन: सभी फाइन-ट्यूनिंग परिदृश्यों (नेचुरल डेटासेट्स) में, एम्पिरिकल प्राइवेसी लीकेज ( $\epsilon$ ) ने एड/रिमूव बाउंड्स ( $\epsilon_{AR}$ ) का उल्लंघन किया। उदाहरण के लिए, $q=0.25$ की सबसैंपलिंग रेट के साथ, एम्पिरिकल लीकेज $\epsilon_{AR}$ से काफी अधिक था लेकिन $\epsilon_{S}$ के अनुरूप था।
ग्रेडिएंट बनाम इनपुट कैनरीज:
- ग्रेडिएंट-स्पेस कैनरीज (S2) ने सबसे सटीक ऑडिट प्रदान किए, जो लगातार $\epsilon_{AR}$ का उल्लंघन करते हैं और $\epsilon_{S}$ से मेल खाते हैं।
- इनपुट-स्पेस कैनरीज (S3–S5) कम मजबूत (robust) थे, विशेष रूप से नॉन-कॉन्वेक्स सेटिंग्स (स्क्रैच से प्रशिक्षण) या कम सबसैंपलिंग रेट में। हालांकि, फाइन-ट्यूनिंग परिदृश्यों में, वे अभी भी $\epsilon_{AR}$ से अधिक लीकेज प्रदर्शित करते हैं।
फाइन-ट्यूनिंग भेद्यता (Vulnerability): पाया गया कि फाइन-ट्यून किए गए मॉडल, स्क्रैच से प्रशिक्षित मॉडलों की तुलना में इनपुट-स्पेस कैनरी अटैक्स के प्रति अधिक संवेदनशील होते हैं, जो संभवतः प्री-ट्रेन्ड फीचर्स की स्थिरता के कारण है।
सबसैंपलिंग का प्रभाव: जैसे-जैसे सबसैंपलिंग रेट ( $q$ ) घटती है, इनपुट-स्पेस कैनरीज की प्रभावकारिता कम होती जाती है, लेकिन ग्रेडिएंट-स्पेस कैनरीज मजबूत बने रहते हैं।

5. महत्व और निहितार्थ (Significance and Implications)

DP गारंटियों का पुनर्मूल्यांकन: यह पेपर इस धारणा को मौलिक रूप से चुनौती देता है कि मानक DP कार्यान्वयन (जो एड/रिमूव अकाउंटिंग का उपयोग करते हैं) व्यक्तिगत गुणों (attributes) की रक्षा करते हैं। यदि लक्ष्य लेबल्स या एट्रीब्यूट्स (जैसे, सुपरवाइज्ड फाइन-ट्यूनिंग में) की रक्षा करना है, तो $\epsilon_{AR}$ पर भरोसा करना खतरनाक है।
लाइब्रेरी की सीमाएं: अधिकांश वर्तमान DP लाइब्रेरीज़ (जैसे, Opacus) एड/रिमूव अकाउंटिंग को डिफ़ॉल्ट रूप से उपयोग करती हैं। जो अभ्यासकर्ता एट्रीब्यूट प्रोटेक्शन के लिए इन उपकरणों का उपयोग कर रहे हैं, वे अपने प्राइवेसी स्तर का काफी अधिक आकलन (overestimate) कर रहे हैं।
सिफारिश: लेखक सुझाव देते हैं कि जब थ्रेट मॉडल में एट्रीब्यूट इंफरेंस शामिल हो, तो सबस्टीट्यूट एडजसेंसी अकाउंटिंग का उपयोग किया जाना चाहिए। वे इन कड़े बाउंड्स को सत्यापित करने के लिए आवश्यक उपकरण (ऑडिटिंग स्क्रिप्ट और अकाउंटेंट्स) प्रदान करते हैं।
भविवी दिशाएं: यह कार्य मजबूत इनपुट-स्पेस कैनरीज की आवश्यकता को रेखांकित करता है जो नॉन-कॉन्वेक्स ऑप्टिमाइजेशन सेटिंग्स में भी काम कर सकें, और यह सुझाव देता है कि लेबल प्राइवेसी के लिए भविष्य के DP मैकेनिज्म का मूल्यांकन सब्स्टीट्यूट एडजसेंसी फ्रेमवर्क के तहत किया जाना चाहिए।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि एड/रिमूव एडजसेंसी, एट्रीब्यूट प्राइवेसी के लिए अपर्याप्त है। एट्रीब्यूट इंफरेंस के विरुद्ध कठोर सुरक्षा सुनिश्चित करने के लिए, समुदाय को सब्स्टीट्यूट एडजसेंसी अकाउंटिंग और ऑडिटिंग की ओर बढ़ना चाहिए।