On topological and algebraic structures of categorical random variables

यहाँ Ortiz, Gómez-Guerrero, और Schaerer के शोध पत्र "On topological and algebraic structures of categorical random variables" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कैटेगोरिकल (नाममात्र/गुणात्मक) यादृच्छिक चर (categorical random variables) डेटा विज्ञान में सर्वव्यापी हैं, फिर भी उनके पास निरंतर संख्यात्मक चरों (continuous numerical variables) के समान कोई कठोर गणितीय ढांचा नहीं है। विशेष रूप से:

• मीट्रिक सीमाएँ (Metric Limitations): हालांकि सिमेट्रिक अनसर्टेन्टी (SU) जैसे सहसंबंध माप मौजूद हैं, लेकिन उन्हें अक्सर केवल एक ह्यूरिस्टिक समानता स्कोर के रूप में माना जाता है। ऐसा कोई औपचारिक प्रमाण नहीं है जो यह स्थापित करता हो कि SU (या उसका रूपांतरण) कैटेगोरिकल चरों के स्थान पर एक वैध दूरी मीट्रिक (distance metric) है, न ही इस स्थान के लिए कोई टोपोलॉजी परिभाषित है।
• बीजगणितीय सीमाएँ (Algebraic Limitations): कोई स्थापित बीजगणितीय संरचना (जैसे समूह, रिंग, या मोनोइड) नहीं है जो कैटेगोरिकल चरों को उनकी सूचना-सैद्धांतिक (information-theoretic) विशेषताओं के अनुरूप संयोजित करने की अनुमति दे सके।
• एकीकरण अंतराल (Integration Gap): सांख्यिकीय अभ्यासकर्ता संख्यात्मक डेटा के लिए पियर्सन सहसंबंध (Pearson correlation) का उपयोग करते हैं और कैटेगोरिकल डेटा के लिए एड-हॉक (ad-hoc) विधियों का उपयोग करते हैं। यह शोध पत्र इन दोनों को एक औपचारिक संरचना प्रदान करके एकीकृत करने का प्रयास करता है जहाँ कैटेगोरिकल चरों को संख्यात्मक चरों के समान गणितीय कठोरता के साथ माना जा सके, जिससे "योग" (जोड़ने) और दूरी मापने जैसे संचालन संभव हो सकें।

2. कार्यप्रणाली (Methodology)

लेखक सूचना सिद्धांत (Shannon entropy, mutual information) और अमूर्त बीजगणित/टोपोलॉजी (quotient spaces, monoids, metric spaces) के संश्लेषण का उपयोग करते हैं।

A. सैद्धांतिक आधार (Theoretical Foundations)

• सिमेट्रिक अनसर्टेन्टी (SU): इसे म्यूचुअल इंफॉर्मेशन (MI) के एक सामान्यीकृत संस्करण के रूप में परिभाषित किया गया है:
  $$SU(X, Y) = 2 \left[ \frac{MI(X|Y)}{H(X) + H(Y)} \right] = 2 \left[ 1 - \frac{H(X, Y)}{H(X) + H(Y)} \right]$$
  जहाँ $H$ शैनन एंट्रॉपी है और $H(X, Y)$ संयुक्त एंट्रॉपी (joint entropy) है।
• अविभेद्यता (Indiscernibility): लेखक कैटेगोरिकल यादृच्छिक चरों पर एक तुल्यता संबंध $\sim$ को परिभाषित करते हैं। दो चर $X$ और $Y$ अविभेद्य हैं यदि उनके कोडोमेन (codomains) के बीच एक बायजेक्शन $h$ मौजूद है ताकि $Y = h \circ X$ लगभग हर जगह (almost everywhere) सत्य हो। यह प्रभावी रूप से चरों को तब तक समान मानता है जब तक वे सैंपल स्पेस को एक ही तरह से विभाजित करते हैं, चाहे लेबल के नाम कुछ भी हों।
• कोशिएंट स्पेस (Quotient Space): लेखक $\mathcal{C}$ को अविभेद्यता संबंध के तहत कैटेगोरिकल यादृच्छिक चरों के तुल्यता वर्गों (equivalence classes) के सेट के रूप में निर्मित करते हैं।

B. टोपोलॉजिकल निर्माण (Topological Construction)

• लेखक कोटिएंट स्पेस $\mathcal{C}$ पर SU के पूरक के आधार पर एक दूरी फलन $d$ को परिभाषित करते हैं:
  $$d(X, Y) = 1 - SU(X, Y)$$
• वे कठोरता से सिद्ध करते हैं कि $d$ कोटिएंट स्पेस $\mathcal{C}$ के भीतर मीट्रिक के अभिगृहीतों (axioms) (गैर-ऋणात्मकता, समरूपता, त्रिकोण असमानता, और पहचान की अविभेद्यता) को संतुष्ट करता है।
• वे प्रदर्शित करते हैं कि परिणामी मीट्रिक टोपोलॉजी डिस्क्रीट (discrete) नहीं है, जिसका अर्थ है कि चर एक-दूसरे के अत्यंत निकट हो सकते हैं (उदाहरण के लिए, एक चर और उसका एक "नॉइजी" संस्करण)।

C. बीजगणितीय निर्माण (Algebraic Construction)

• संयुक्त ऑपरेशन ($*$): कोटिएंट स्पेस पर एक बाइनरी ऑपरेशन परिभाषित किया गया है। दो चरों $A$ और $B$ के लिए, ऑपरेशन $A * B$ एक नया चर बनाता है जिसका मान प्रत्येक परिणाम $p$ के लिए जोड़े $(A(p), B(p))$ के रूप में होता है। विभाजनों (partitions) के संदर्भ में, यह विभाजनों के प्रतिच्छेदन ($A \cap B$) के अनुरूप है।
• मोनोइड संरचना (Monoid Structure): लेखक सिद्ध करते हैं कि यह ऑपरेशन साहचर्य (associative), क्रमविनिमेय (commutative) है, और इसमें एक न्यूट्रल तत्व (एक एकल परिणाम वाला ट्रिवियल चर) मौजूद है, जिससे $\mathcal{C}$ को एक कम्यूटेटिव मोनोइड संरचना प्राप्त होती है।

D. अनुकूलता विश्लेषण (Compatibility Analysis)

• अंतिम कार्यप्रणाली चरण में यह सिद्ध करना शामिल है कि बीजगणितीय ऑपरेशन ($*$) मीट्रिक टोपोलॉजी ($d$) के सापेक्ष सतत (continuous) है। यह सुनिश्चित करता है कि इनपुट चरों में छोटे परिवर्तन, संयुक्त ऑपरेशन के आउटपुट में छोटे परिवर्तन का परिणाम देते हैं।

3. मुख्य योगदान (Key Contributions)

1. मीट्रिक के रूप में SU का औपचारिककरण: यह शोध पत्र सिद्ध करता है कि $1 - SU$ कैटेगोरिकल यादृच्छिक चरों के स्थान पर (अविभेद्यता के अधीन) एक वैध सामान्यीकृत दूरी मीट्रिक है। यह SU को एक ह्यूरिस्टिक समानता स्कोर से एक कठोर ज्यामितीय दूरी में बदल देता है।
2. कोटिएंट स्पेस $\mathcal{C}$ की परिभाषा: अविभेद्यता की अवधारणा पेश करके, लेखक एक सुपरिभाषित गणितीय स्थान बनाते हैं जहाँ चरों को तुल्यता वर्गों के रूप में माना जाता है, जिससे मनमाने लेबल नामकरण से जुड़ी समस्याएँ हल हो जाती हैं।
3. बीजगणितीय संरचना (Commutative Monoid): यह शोध पत्र स्थापित करता है कि संयुक्त ऑपरेशन के तहत कैटेगोरिकल चर एक कम्यूटेटिव मोनोइड बनाते हैं। यह गुणात्मक चरों को "संयोजित" करने का एक औपचारिक तरीका प्रदान करता है।
4. टोपोलॉजिकल-बीजगणितीय अनुकूलता: लेखक सिद्ध करते हैं कि संयुक्त ऑपरेशन सतत है। यह एक महत्वपूर्ण परिणाम है, जो यह दर्शाता है कि बीजगणितीय और टोपोलॉजिकल संरचनाएं सामंजस्यपूर्ण हैं, जिससे इन चरों के स्थिर गणितीय हेरफेर की अनुमति मिलती है।
5. गैर-डिस्क्रीट टोपोलॉजी: यह शोध पत्र प्रदर्शित करता है कि स्थान डिस्क्रीट नहीं है, जिससे "नॉइजी" या थोड़े विचलित (perturbed) कैटेगोरिकल चरों का मॉडलिंग करना संभव है, जो वास्तविक दुनिया के डेटा विश्लेषण के लिए आवश्यक है।

4. परिणाम (Results)

• थ्योरम 3.4 और 3.5: स्थापित किया कि $SU$एक समानता मीट्रिक है और$1-SU$कोटिएंट स्पेस$\mathcal{C}$ पर एक दूरी मीट्रिक है।
• थ्योरम 3.6: सिद्ध किया कि $\mathcal{C}$ पर मीट्रिक टोपोलॉजी डिस्क्रीट नहीं है। विशेष रूप से, जैसे-जैसे चर $Y$ ( $X$ का एक नॉइजी संस्करण) में शोर का स्तर $\epsilon$ शून्य की ओर बढ़ता है, दूरी $d(X, Y)$ शून्य की ओर बढ़ती है।
• थ्योरम 4.5: पुष्टि की कि संयुक्त ऑपरेशन $*$ $\mathcal{C}$ पर एक कम्यूटेटिव मोनोइड संरचना प्रदान करता है।
• थ्योरम 4.6: संयुक्त ऑपरेशन की निरंतरता (continuity) को सिद्ध किया। दो जोड़ों के संयुक्त के बीच की दूरी व्यक्तिगत जोड़ों की दूरियों के योग द्वारा सीमित होती है:
  $$d(X * Y, Z * W) \leq d(X, Z) + d(Y, W)$$
  यह संकुचन गुण (contractive property) गणनाओं में स्थिरता सुनिश्चित करता है।
• अनुभवजन्य चित्रण (Empirical Illustration): शोध पत्र छात्र इंटर्नशिप डेटा (जैसे स्वच्छता, रचनात्मकता आदि जैसे लक्षण) का उपयोग करके एक केस स्टडी शामिल करता है, जो यह दिखाता है कि कैसे $SU$ मान सहज समूहों (जैसे रचनात्मकता और "GotHired" के बीच उच्च समानता) के साथ सह-संबंध रखते हैं, जो एक मजबूत भविष्य कहने वाला संबंध सुझाते हैं।

5. महत्व और निहितार्थ (Significance and Implications)

• पैरामीट्रिक और नॉन-पैरामीट्रिक सांख्यिकी को जोड़ना: यह कार्य कैटेगोरिकल चरों को संख्यात्मक डेटा के पियर्सन सहसंबंध के समान गणितीय परिष्कार के साथ व्यवहार करने की अनुमति देता है। अब अभ्यासकर्ता औपचारिक गारंटी के साथ गुणात्मक डेटा पर "संचालन" (संयोजन, दूरी मापन) कर सकते हैं।
• फीचर चयन और इंजीनियरिंग: मीट्रिक संरचना फीचर चयन के लिए एक कठोर आधार प्रदान करती है। जिन चरों के बीच कम दूरी (उच्च SU) होती है, उन्हें रेडंडेंट (redundant) या अत्यधिक सह-संबंधित के रूप में पहचाना जा सकता है, जबकि बीजगणितीय संरचना व्यवस्थित रूप से मिश्रित (composite) फीचर्स बनाने की अनुमति देती है।
• गुणात्मक डेटा के लिए गणितीय कठोरता: एड-हॉक समानता मापों से आगे बढ़कर, यह ढांचा विशेष रूप से कैटेगोरिकल डेटा के लिए क्लस्टरिंग, वर्गीकरण और आयामी कमी (dimensionality reduction) के लिए नए एल्गोरिदम विकसित करने हेतु एक आधार प्रदान करता है।
• भविष्य की दिशाएँ: लेखक उल्लेख करते हैं कि इस ढांचे को $n$ चरों के लिए मल्टीवेरिएट सिमेट्रिक अनसर्टेन्टी (MSU) के लिए विस्तारित किया जा सकता है, जिससे जटिल मल्टीवेरिएट सिस्टम के लिए "एंट्रोपिक सहसंबंध" की अवधारणा का और अधिक सामान्यीकरण होगा।

संक्षेप में, यह शोध पत्र कैटेगोरिकल यादृच्छिक चरों के अध्ययन को वर्णनात्मक सांख्यिकी से एक संरचित टोपोलॉजिकल और बीजगणितीय अनुशासन में उन्नत करने के लिए एक मौलिक गणितीय ढांचा प्रदान करता है, जिससे अधिक मजबूत और व्याख्या योग्य डेटा विश्लेषण संभव होता है।