📊 statistics

Active Hypothesis Testing under Computational Budgets with Applications to GWAS and LLM

यह शोधपत्र सक्रिय परिकल्पना परीक्षण (active hypothesis testing) के लिए एक सामान्य ढांचे का प्रस्ताव करता है जो वैध निष्कर्ष सुनिश्चित करने के साथ-साथ सांख्यिकीय इष्टतमता प्राप्त करने के लिए कम खर्चीले सहायक सांख्यिकी और सटीक परीक्षणों के बीच एक निश्चित कम्प्यूटेशनल बजट को गतिशील रूप से आवंटित करता है, जैसा कि जीनोम-वाइड एसोसिएशन स्टडीज से लेकर लार्ज लैंग्वेज मॉडल-आधारित नैदानिक भविष्यवाणियों तक के अनुप्रयोगों में प्रदर्शित किया गया है।

मूल लेखक: Qi Kuang, Bowen Gang, Yin Xia

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qi Kuang, Bowen Gang, Yin Xia

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 जासूस हैं जो 10,000 अलग-अलग अपराधों को सुलझाने की कोशिश कर रहे हैं। आपके पास एक सीमित बजट है: आप केवल 500 अपराध स्थलों की विस्तार से जांच करने के लिए विशेषज्ञ फोरेंसिक विशेषज्ञों की एक महंगी टीम को काम पर रखने का खर्च उठा सकते हैं। बाकी 9,500 स्थलों की जांच सस्ते, तेज़ लेकिन कम विश्वसनीय "चश्मदीद रिपोर्टों" (eyewitness reports) का उपयोग करके की जानी चाहिए।

यदि आप केवल यादृच्छिक (random) रूप से 500 स्थल चुनते हैं, तो आप अपने कीमती विशेषज्ञों को उन अपराधों पर बर्बाद कर सकते हैं जो वास्तव में कभी हुए ही नहीं थे। यदि आप सभी 10,000 अपराधों के लिए विशेषज्ञ नियुक्त करने की कोशिश करते हैं, तो काम पूरा होने से पहले ही आप दिवालिया हो जाएंगे।

यह ठीक वही समस्या है जिसे शोध पत्र "Active Hypothesis Testing under Computational Budgets" हल करता है। यह वैज्ञानिकों (जैसे जीन का अध्ययन करने वाले या AI का उपयोग करने वाले) के लिए एक नई रणनीति है ताकि वे अपनी सीमित धनराशि और कंप्यूटिंग शक्ति से अधिकतम "सत्य" प्राप्त कर सकें।

यहाँ यह शोध पत्र कैसे काम करता है, इसे सरल अवधारणाओं में समझाया गया है:

1. समस्या: "गोल्ड स्टैंडर्ड" बनाम "त्वरित अनुमान"

विज्ञान में, हम अक्सर एक साथ कई विचारों (परिकल्पनाओं/hypotheses) का परीक्षण करते हैं।

गोल्ड स्टैंडर्ड (Gold Standard): किसी विचार को सिद्ध करने के लिए, आपको आमतौर पर एक पूर्ण और महंगे परीक्षण की आवश्यकता होती है (जैसे कि पूर्ण DNA अनुक्रमण या एक जटिल AI सिमुलेशन)। इसमें बहुत समय और पैसा लगता है।
त्वरित अनुमान (Quick Guess): आपके पास सस्ता, तेज़ डेटा भी होता है (जैसे कि एक साधारण रक्त परीक्षण या एक मोटा AI अनुमान)। यह पूर्ण नहीं है और गलत भी हो सकता है, लेकिन यह मुफ्त है।

दुविधा: आपके पास "गोल्ड स्टैंडर्ड" परीक्षणों के लिए एक निश्चित बजट है। आप यह कैसे तय करेंगे कि कौन से 500 विचार (10,000 में से) महंगे परीक्षण के योग्य हैं?

2. समाधान: "स्मार्ट गेटकीपर" (Smart Gatekeeper)

लेखक एक चतुर प्रणाली प्रस्तावित करते हैं जिसे एक्टिव हाइपोथीसिस टेस्टिंग कहा जाता है। प्रत्येक व्यक्ति के लिए सिक्का उछालकर निर्णय लेने के बजाय, वे "त्वरित अनुमान" डेटा का उपयोग एक गेटकीपर के रूप में करते हैं।

एक वीआईपी क्लब के बाउंसर की तरह सोचें:

बाउंसर (गेटकीपर): हर परिकल्पना (hypothesis) के लिए "त्वरित अनुमान" डेटा को देखता है।
निर्णय: यदि त्वरित अनुमान बहुत आशाजनक दिखता है (जैसे, "यह जीन संदिग्ध लग रहा है!"), तो गेटकीपर उसे गोल्ड स्टैंडर्ड परीक्षण प्राप्त करने के लिए VIP रूम में जाने देता है।
बैकअप (Fallback): यदि त्वरित अनुमान उबाऊ दिखता है, तो वह परिकल्पना बाहर ही रह जाती है। लेकिन यहाँ जादू है: सिस्टम बाहर रहने वालों के लिए भी एक वैध उत्तर देता है। यह उन्हें केवल अनदेखा नहीं करता; यह एक विशेष गणितीय ट्रिक का उपयोग करता है ताकि "त्वरित अनुमान" को एक वैज्ञानिक रूप से वैध परिणाम में बदला जा सके, भले ही उसमें निश्चितता थोड़ी कम हो।

3. गुप्त मंत्र: "बजट पवित्र है"

पिछले तरीकों ने स्मार्ट होने की कोशिश की लेकिन उनमें एक दोष था: वे कभी-कभी अपने बजट से अधिक खर्च कर देते थे क्योंकि वे स्वतंत्र रूप से निर्णय लेते थे (जैसे प्रत्येक व्यक्ति के लिए सिक्का उछालना)। कभी-कभी आप बजट के अंदर रहकर भाग्यशाली होते थे; अन्य बार, आप बजट से ऊपर निकल जाते थे।

यह नया पेपर एक ग्लोबल एलोकेशन स्ट्रैजी (Global Allocation Strategy) पेश करता है।

कल्पना कीजिए कि आपके पास बजट का एक पाई (pie) है (500 स्लाइस)।
सिस्टम एक साथ सभी 10,000 परिकल्पनाओं को देखता है।
यह पाई को इतनी सटीकता से काटता है कि ठीक 500 को महंगा परीक्षण मिले, न एक भी ज्यादा, न एक भी कम।
यह सुनिश्चित करता है कि 500 स्लाइस उन्हीं लोगों को मिलें जो "त्वरित अनुमान" के आधार पर सबसे अधिक आशाजनक दिखते हैं।

4. पेपर से वास्तविक दुनिया के उदाहरण

उदाहरण A: जेनेटिक डिटेक्टिव (GWAS)

लक्ष्य: यह पता लगाना कि कौन से विशिष्ट DNA अक्षर (SNPs) दिल के दौरे का कारण बनते हैं।
लागत: लाखों लोगों के DNA का अनुक्रमण करना अविश्वसनीय रूप से महंगा है।
जुगाड़: शोधकर्ताओं ने उच्च रक्तचाप (एक संबंधित स्थिति) के बारे में सस्ते, सार्वजनिक डेटा का उपयोग "त्वरित अनुमान" के रूप में किया।
परिणाम: उनके सिस्टम ने रक्तचाप के डेटा का उपयोग यह अनुमान लगाने के लिए किया कि कौन से DNA अक्षर दिल के दौरे का कारण बनने की सबसे अधिक संभावना रखते हैं। फिर इसने अपना सीमित पैसा केवल उन्हीं विशिष्ट अक्षरों पर खर्च किया। इसने उन्हीं "अपराधियों" (बीमारी पैदा करने वाले जीन) को खोज निकाला जैसे कि उन्होंने सभी का परीक्षण किया होता, लेकिन बहुत कम लागत पर।

उदाहरण B: AI डॉक्टर (LLM)

लक्ष्य: भविष्यवाणी करना कि क्या मरीज अस्पताल में दम तोड़ देगा।
लागत: मरीज का विस्तृत चिकित्सा इतिहास (जिसमें महंगे हार्ट स्कैन शामिल हैं) प्राप्त करना धीमा और महंगा है।
जुगाड़: उन्होंने एक लार्ज लैंग्वेज मॉडल (AI) का उपयोग किया ताकि मरीज के अन्य सस्ते नोट्स (जैसे बुनियादी महत्वपूर्ण संकेत/vitals) को पढ़कर यह अनुमान लगाया जा सके कि महंगे हार्ट स्कैन में क्या कहा जाएगा।
परिणाम: सिस्टम ने यह तय करने के लिए AI के अनुमान का उपयोग किया कि वास्तव में किन मरीजों को वास्तविक, महंगे स्कैन की आवश्यकता है। इसने पैसे बचाते हुए भी उन मरीजों को पकड़ लिया जो खतरे में थे।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र वैज्ञानिकों के लिए एक अति-कुशल शॉपिंग लिस्ट की तरह है।

पुराना तरीका: लिस्ट की हर चीज़ खरीदें, इस उम्मीद में कि आपके पास पर्याप्त पैसा होगा। या, यादृच्छिक चयन खरीदें।
नया तरीका: "सेल के संकेतों" (सस्ते डेटा) को देखें, यह पता लगाएं कि कौन सी 500 वस्तुएं सबसे अच्छी डील हैं, और अपना पैसा केवल उन्हीं पर खर्च करें।

निष्कर्ष:
लेखकों ने एक ऐसा गणितीय ढांचा बनाया है जो गारंटी देता है कि आप कभी भी बजट से अधिक खर्च नहीं करेंगे, जबकि यह भी सुनिश्चित करता है कि आप अपने खर्च किए गए हर डॉलर के लिए अधिकतम "सत्य" प्राप्त करें। यह एक "अनुमान लगाने के खेल" को एक सटीक रणनीति में बदल देता है, जिससे वैज्ञानिक कम संसाधनों में अधिक काम कर पाते हैं।

यहाँ Qi Kuang, Bowen Gang, और Yin Xia द्वारा लिखित शोध पत्र "Active Hypothesis Testing under Computational Budgets with Applications to GWAS and LLM" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र बड़े पैमाने पर मल्टीपल हाइपोथीसिस टेस्टिंग (multiple hypothesis testing) की चुनौती को संबोधित करता है, जब सटीक टेस्ट स्टैटिस्टिक्स (p-values या e-values) की गणना करना कम्प्यूटेशनल रूप से महंगा या संसाधन-गहन होता है।

संदर्भ: जीनोमिक्स (GWAS) या LLMs का उपयोग करके क्लिनिकल प्रेडिक्शन जैसे क्षेत्रों में, शोधकर्ता अक्सर ऐसी स्थिति का सामना करते हैं जहाँ उनके पास $N$ हाइपोथीसिस होते हैं लेकिन एक सख्त वैश्विक कम्प्यूटेशनल बजट $n_b$ (जहाँ $n_b \ll N$ ) होता है।
इनपुट: प्रत्येक हाइपोथीसिस $i$ $i$ के लिए, दो प्रकार के स्टैटिस्टिक्स उपलब्ध हैं:
1. सटीक स्टैटिस्टिक ( $X_i$ ): एक "गोल्ड-स्टैंडर्ड" स्टैटिस्टिक (जैसे सटीक p-value $P_i$ या e-value $E_i$ ) जो इन्फरेंस के लिए वैध है लेकिन गणना करने में महंगा है।
2. सहायक स्टैटिस्टिक ( $X^a_i$ ): एक सस्ता, आसानी से उपलब्ध स्टैटिस्टिक (जैसे मॉडल प्रेडिक्शन्स, शोर युक्त माप, या प्रॉक्सी p-values) जो सटीक स्टैटिस्टिक के बारे में जानकारीपूर्ण है लेकिन अपने आप में औपचारिक इन्फरेंस के लिए वैध नहीं है।
उद्देश्य: प्रत्येक हाइपोथीसिस के लिए एक वैध टेस्ट स्टैटिस्टिक का निर्माण करना ताकि कुल सटीक गणनाओं की संख्या पूर्व-निर्धारित बजट $n_b$ का सख्ती से पालन करे, जबकि सांख्यिकीय शक्ति (True Positive Rate) को अधिकतम किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक्टिव हाइपोथीसिस टेस्टिंग (Active Hypothesis Testing) के लिए एक एकीकृत ढांचा प्रस्तावित करते हैं जो बजट बाधाओं को सीधे इन्फेरेंस प्रक्रिया में एकीकृत करता है।

A. एक्टिव स्टैटिस्टिक निर्माण (Active Statistic Construction)

मुख्य नवाचार एक "एक्टिव" स्टैटिस्टिक का निर्माण है जो संभाव्यता के आधार पर यह निर्णय लेता है कि सटीक स्टैटिस्टिक की गणना करनी है या रूपांतरित सहायक स्टैटिस्टिक का उपयोग करना है।

कंट्रोल फंक्शन ( $h$ ): एक डेटा-अनुकूली (data-adaptive) फंक्शन सहायक स्टैटिस्टिक $X^a$ को एक प्रायिकता $h(X^a) \in [0, 1]$ में मैप करता है। यह महंगे सटीक स्टैटिस्टिक की गणना करने की संभावना निर्धारित करता है।
रैंडमाइजेशन (Randomization): निर्णय लेने के लिए एक यूनिफॉर्म रैंडम वेरिएबल $U \sim \text{Uniform}(0, 1)$ $U \sim Uniform (0, 1)$ का उपयोग किया जाता है।
- यदि $U < h(X^a)$ : सटीक स्टैटिस्टिक $X$ की गणना करें।
- यदि $U \geq h(X^a)$ : $X$ की गणना न करें; इसके बजाय, सहायक स्टैटिस्टिक के रूपांतरित संस्करण को आउटपुट के रूप में दें।
वैधता गारंटी (Validity Guarantees):
- एक्टिव e-values: लेखक $a(\cdot)$ और $b(\cdot)$ के लिए ऐसी स्थितियों का विवरण देते हैं जिससे परिणामी स्टैटिस्टिक $E_{\text{active}}$ संतुष्ट करता है $\mathbb{E}[E_{\text{active}}] \leq 1$ । वे सिद्ध करते हैं कि इष्टतम निर्माण में एक डिकंपोजिशन पैरामीटर $\beta \in [0, 1]$ शामिल है:
  $E_{\text{active}} = \begin{cases} \frac{\beta}{1-h(E^a)} & \text{यदि } U \geq h(E^a) \\ \frac{1-\beta}{h(E^a)} \cdot E & \text{यदि } U < h(E^a) \end{cases}$
- एक्टिव p-values: इसी प्रकार, वे वैध p-values का निर्माण करते हैं जो सुपर-यूनिफॉर्मिटी प्रॉपर्टी ( $P(P_{\text{active}} \leq s) \leq s$ $P (P_{active} \leq s) \leq s$ ) को संतुष्ट करते हैं। वे निम्नलिखित के लिए अलग-अलग इष्टतम निर्माण प्रदान करते हैं:
  - स्वतंत्रता (Independence): जब $P$ और $P^a$ स्वतंत्र हों।
  - सामान्य निर्भरता (General Dependence): एक अधिक रूढ़िवादी (conservative) निर्माण जो किसी भी अनिश्चित निर्भरता संरचना के तहत वैधता सुनिश्चित करने के लिए $\sup h(x)$ का उपयोग करता है।

B. बजट-बाधित आवंटन (Budget-Constrained Allocation)

यह सुनिश्चित करने के लिए कि कुल क्वेरीज़ की संख्या ठीक $n_b$ हो (न कि पिछले स्वतंत्र-क्वेरी विधियों की तरह एक रैंडम वेरिएबल हो), लेखक एक नॉर्मलाइज्ड एलोकेशन स्कीम (Normalized Allocation Scheme) पेश करते हैं:

यूटिलिटी फंक्शन्स: प्रत्येक हाइपोथीसिस के लिए सहायक सिग्नल की मजबूती के आधार पर एक यूटिलिटी $u_i(X^a_i)$ को परिभाषित किया जाता है (जैसे, प्रत्यक्ष सिग्नल के लिए $u(x) = x$ , इनवर्स सिग्नल के लिए $u(x) = 1/(x+\epsilon)$ )।
कंट्रोल प्रोबेबिलिटीज: हाइपोथीसिस $i$ को क्वेरी करने की प्रायिकता इस प्रकार सेट की जाती है:
$h_i(X^a) = n_b \cdot \frac{u_i(X^a_i)}{\sum_{j=1}^N u_j(X^a_j)}$
यह सुनिश्चित करता है कि $\sum h_i = n_b$ ।
डिपेंडेंट सैंपलिंग (Dependent Sampling): यह सुनिश्चित करने के लिए कि $\sum C_i = n_b$ (जहाँ $C_i$ बाइनरी क्वेरी इंडिकेटर है) का सटीक योग प्राप्त हो, लेखक एक डिपेंडेंट सैंपलिंग मैकेनिज्म (प्रपोजिशन 3) का उपयोग करते हैं। स्वतंत्र कॉइन फ्लिप्स के बजाय, वे संचयी योग (cumulative sums) और एक एकल यूनिफॉर्म वेरिएबल $U$ के आधार पर इंडिकेटर्स को सैंपल करते हैं, जिससे हर रन में बजट का सटीक पालन सुनिश्चित होता है।

C. एल्गोरिदम (Algorithm)

प्रस्तावित एल्गोरिदम 1 (बजेटेड एक्टिव इन्फरेंस) इन चरणों को एकीकृत करता है:

सहायक स्टैटिस्टिक्स से बेस यूटिलिटीज की गणना करें।
यूटिलिटीज को नॉर्मलाइज करके लक्ष्य प्रायिकताएं $h_i$ प्राप्त करें।
यदि कोई $h_i > 1$ है, तो एडेप्टिव कंप्रेशन (लॉगैरिथमिक ट्रांसफॉर्मेशन) लागू करें।
यह निर्धारित करने के लिए कि किन हाइपोथीसिस को सटीक स्टैटिस्टिक मिलेगा, डिपेंडेंट सैंपलिंग का उपयोग करें।
सभी $N$ हाइपोथीसिस के लिए अंतिम एक्टिव स्टैटिस्टिक्स का निर्माण करें।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा (Theoretical Framework): एक सामान्य 'एक्टिव हाइपोथीसिस टेस्टिंग' ढांचे को स्थापित किया गया जो दोनों p-values और e-values के लिए सांख्यिकीय वैधता बनाए रखते हुए सटीक बजट पालन की गारंटी देता है।
इष्टतमता और ग्राह्यता (Optimality and Admissibility):
- सिद्ध किया कि प्रस्तावित निर्माण एक निश्चित कंट्रोल फंक्शन के लिए इष्टतम (पॉइंट-वाइज सबसे बड़े e-values, सबसे छोटे p-values) हैं।
- ग्राह्यता (Admissibility) परिणाम स्थापित किए: कोई भी एकल कंट्रोल फंक्शन या हाइपरपैरामीटर $\beta$ सार्वभौमिक रूप से अन्य सभी पर हावी नहीं हो सकता; इष्टतम चयन डेटा वितरण पर निर्भर करता है।
निर्भरता प्रबंधन (Dependence Handling): स्वतंत्र और सामान्य निर्भरता सेटिंग्स दोनों के लिए विशिष्ट, वैध निर्माण प्रदान किए, जिससे मौजूदा साहित्य के उस अंतर को भरा गया जहाँ कई विधियाँ स्वतंत्रता मान लेती हैं।
पूर्व कार्य के साथ तुलना: यह प्रदर्शित किया कि Xu et al. (2025b) की हालिया विधि उनके ढांचे का एक विशेष मामला है। लेखकों की विधि e-values के लिए पॉइंट-वाइज डोमिनेंट स्टैटिस्टिक्स (उच्च शक्ति) प्रदान करती है, और स्वतंत्रता के तहत अधिक शक्तिशाली p-values देती है, साथ ही सख्त बजट बाधाओं को भी लागू करती है (जो Xu et al. नहीं करते हैं)।
वास्तविक-दुनिया के अनुप्रयोग: दो अलग-अलग डोमेन पर ढांचे को मान्य किया:
- GWAS: मायोकार्डियल इन्फार्क्शन (MI) SNP खोज को प्राथमिकता देने के लिए हाइपरटेंशन समरी स्टैटिस्टिक्स का एक सस्ते प्रॉक्सी के रूप में उपयोग करना।
- LLM-आधारित क्लिनिकल प्रेडिक्शन: रोगी की मृत्यु दर पर हाइपोथीसिस टेस्टिंग को निर्देशित करने के लिए लापता क्लिनिकल फीचर्स (हार्ट फेलियर डायग्नोसिस) को भरने के लिए LLM का उपयोग करना।

4. परिणाम (Results)

सिमुलेशन (Simulations):
- प्रस्तावित विधि (Active-Default) दक्षता (प्रति क्वेरी ट्रू पॉजिटिव्स) के मामले में बेसलाइन (रैंडम सिलेक्शन, Xu et al. की विधि, और Active-Xu) से लगातार बेहतर रही।
- जबकि अनकन्स्ट्रेंड (unconstrained) विधियों (ALL, Xu) ने उच्च पूर्ण शक्ति (absolute power) प्राप्त की, उन्होंने बजट बाधा का उल्लंघन किया (अक्सर बजट से 4-8 गुना अधिक)।
- Active-Default ने सभी सिमुलेशन में बजट $n_b$ का सख्ती से पालन किया और उच्चतम दक्षता प्राप्त की, विशेष रूप से जैसे-जैसे वास्तविक संकेतों (true signals) का अनुपात बढ़ा।
- विधि तब भी मजबूत रही जब सहायक सिग्नल शोर युक्त या सह-संबंधित (correlated) था।
वास्तविक-डेटा अनुप्रयोग (Real-Data Applications):
- GWAS: ढांचे ने उच्च दक्षता के साथ ज्ञात कार्डियोवैस्कुलर रिस्क लोकी (जैसे 9p21.3 लोकस में rs1333047) की सफलतापूर्वक पहचान की, जिससे सिद्ध हुआ कि सार्वजनिक समरी स्टैटिस्टिक्स महंगी जीनोमिक विश्लेषण को प्रभावी ढंग से निर्देशित कर सकते हैं।
- LLM क्लिनिकल प्रेडिक्शन: LLM का उपयोग करके लापता डेटा को भरने से ढांचे को उच्च-जोखिम वाले रोगियों को महंगे पुष्टिकरण परीक्षणों के लिए प्राथमिकता देने में मदद मिली। विधि ने लक्षित स्तर (0.1) पर FDR को नियंत्रित किया जबकि प्रति क्वेरी ट्रू पॉजिटिव खोजों की संख्या को अधिकतम किया।

5. महत्व (Significance)

यह कार्य सांख्यिकीय इन्फरेंस और कम्प्यूटेशनल संसाधन प्रबंधन के बीच के अंतर को पाटता है।

व्यावहारिक प्रभाव: यह उन शोधकर्ताओं के लिए एक सिद्धांत-आधारित समाधान प्रदान करता है जो सीमित कम्प्यूटेशनल संसाधनों (जैसे महंगी सिमुलेशन, विनाशकारी प्रयोग, या बड़े पैमाने पर LLM इन्फरेंस) के साथ काम कर रहे हैं।
सैद्धांतिक कठोरता: ह्यूरिस्टिक (heuristic) दृष्टिकोणों के विपरीत, यह ढांचा FDR नियंत्रण और सटीक बजट पालन के लिए कठोर गारंटी प्रदान करता है, जो इसे उच्च-दांव वाली वैज्ञानिक खोजों के लिए उपयुक्त बनाता है।
लचीलापन: ढांचा सहायक स्टैटिस्टिक्स के संबंध में मॉडल-मुक्त (model-free) है, जिससे यह विविध डेटा स्रोतों को एकीकृत कर सकता है, जिसमें ब्लैक-बॉक्स AI मॉडल भी शामिल हैं, बिना उनके आंतरिक जेनेरेटिव प्रोसेस को जाने।
स्केलेबिलिटी: सस्ते प्रॉक्सी के आधार पर हाइपोथीसिस को प्राथमिकता देकर, यह विधि बड़े पैमाने पर हाइपोथीसिस टेस्टिंग को संभव बनाती है जहाँ पूर्ण गणना (full enumeration) असंभव है।