📊 statistics

Dynamic sparse graphs with overlapping communities

यह शोध पत्र विरल, स्केल-फ्री (scale-free) टेम्पोरल नेटवर्क में गतिशील रूप से विकसित होने वाले, ओवरलैपिंग समुदायों को प्रभावी ढंग से खोजने और ट्रैक करने के लिए पूरी तरह से रैंडम मेजर्स (completely random measures) और लेटेंट मार्कोव प्रक्रियाओं पर आधारित एक बेयसियन नॉनपैरामेट्रिक मॉडल प्रस्तावित करता है।

मूल लेखक: Xenia Miscouridou, Francesca Panero, Antreas Laos

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xenia Miscouridou, Francesca Panero, Antreas Laos

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 हलचल भरे शहर के चौक से गुजर रहे हैं। पहली नज़र में, यह लोगों के इधर-उधर घूमने का एक अराजक दृश्य मात्र है। लेकिन यदि आप करीब से देखें, तो आपको पैटर्न दिखाई देंगे: दोस्तों का एक समूह साथ में हंस रहा है, पर्यटकों का एक झुंड तस्वीरें ले रहा है, और व्यावसायिक लोगों का एक घेरा एक-दूसरे को कार्ड बांट रहा है। ये समुदाय (communities) हैं।

अब, कल्पना कीजिए कि यह केवल एक स्थिर तस्वीर नहीं है, बल्कि एक फिल्म है। लोग आते हैं, जाते हैं, नए समूहों में शामिल होते हैं, या अलग हो जाते हैं। "व्यावसायिक घेरा" एक "लंच ग्रुप" में बदल सकता है, और एक "पर्यटक झुंड" एक "स्थानीय गाइड" के साथ मिल सकता है।

यह शोध पत्र एक स्मार्ट कैमरा बनाने के बारे में है जो न केवल यह देखता है कि कौन किसके बगल में खड़ा है, बल्कि यह भी समझता है कि इन समूहों के बनने, बदलने और गायब होने की कहानी क्या है।

यहाँ उनके आविष्कार, dynSNetOC मॉडल का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. समस्या: "स्थिर फोटो" का जाल (The "Static Photo" Trap)

नेटवर्क (जैसे सोशल मीडिया या वैज्ञानिक उद्धरण) का अध्ययन करने के पुराने तरीके शहर के चौक की एक एकल फोटो लेने और उसे घूरने की तरह हैं। वे यह मान लेते हैं कि हर कोई हमेशा वहीं मौजूद रहता है और समूह स्थिर होते हैं।

दोष: वास्तविकता में, नेटवर्क विरल (sparse) होते हैं (ज्यादातर लोग एक-दूसरे को नहीं जानते) और गतिशील (dynamic) होते हैं (समूह हर सेकंड बदलते हैं)।
"पावर-लॉ" की वास्तविकता: कई वास्तविक नेटवर्क्स में, कुछ लोग "सुपर-कनेक्टर्स" (जैसे प्रसिद्ध इन्फ्लुएंसर या हब) होते हैं, जबकि अधिकांश लोगों के पास केवल कुछ ही संबंध होते हैं। पुराने मॉडल अक्सर इस "अमीर-और-अमीर-होता-जाता-है" (rich-get-richer) वाले पैटर्न को पकड़ने में विफल रहते हैं।

2. समाधान: एक "जीवंत, सांस लेता हुआ" मॉडल

लेखकों ने एक नया मॉडल बनाया जो नेटवर्क को एक स्थिर मानचित्र के बजाय एक जीवंत पारिस्थितिकी तंत्र (living ecosystem) की तरह मानता है।

अ. "भूतिया" सदस्यता (Overlapping Communities)

पुराने दिनों में, आप या तो "जैज़ क्लब" के सदस्य थे या "बुक क्लब" के। आप दोनों में एक साथ नहीं हो सकते थे।

नया तरीका: एक व्यक्ति को एक स्मूदी (smoothie) के रूप में सोचें। आप 60% "जैज़", 30% "बुक" और 10% "कॉफी" हो सकते हैं। आप एक साथ कई समूहों के सदस्य हैं, और उनका अनुपात बदलता रहता है।
नवाचार: यह मॉडल ट्रैक करता है कि वे अनुपात कैसे बदलते हैं। हो सकता है कि सोमवार को आप मुख्य रूप से एक "जैज़" प्रशंसक हों, लेकिन शुक्रवार तक, एक बड़े कॉन्सर्ट के बाद, आप 80% "जैज़" और 20% "बुक" बन जाएं।

आ. "अदृश्य धागा" (Markov Process)

मॉडल को कैसे पता चलता है कि शुक्रवार को आपकी "जैज़" में रुचि, गुरुवार की आपकी रुचि से संबंधित है?

उपमा: कल्पना कीजिए कि एक रबड़ बैंड आपके अतीत के स्वरूप को आपके भविष्य के स्वरूप से जोड़ रहा है। यदि आप कल जैज़ में बहुत अधिक रुचि रखते थे, तो वह रबड़ बैंड आपको आज भी जैज़ में बने रहने के लिए खींचता है। यह आपको बिल्कुल वैसा ही रहने के लिए मजबूर नहीं करता, लेकिन यह अचानक और बड़े बदलावों को असंभव बनाता है। यह "लेटेंट मार्कोव प्रोसेस" (Latent Markov Process) है—यह सुनिश्चित करता है कि कहानी समय के साथ तर्कसंगली बनी रहे।

इ. "विरल और भारी-पूंछ वाला" जादू (The "Sparse & Heavy-Tailed" Magic)

वास्तविक नेटवर्क अजीब होते हैं। अधिकांश लोगों के 2 दोस्त होते हैं; कुछ के पास 2,000 होते हैं।

उपमा: एक सेलिब्रिटी पार्टी के बारे में सोचें। अधिकांश मेहमानों में 2-3 बातचीत होती हैं। एक सेलिब्रिटी (हब) 50 लोगों से बात कर रहा है।
नवाचार: लेखकों ने "कंपलीटली रैंडम मेजर्स" (Completely Random Measures) नामक एक गणितीय उपकरण का उपयोग किया। कल्पना कीजिए कि एक जादुई फव्वारा (magic sprinkler) एक बगीचे को पानी दे रहा है। यह हर पौधे को समान रूप से पानी नहीं देता। यह यादृच्छिक रूप से निर्णय लेता है कि 99% पौधों पर थोड़ा सा छिड़काव करे और 1% पर भारी बाढ़ ला दे। यह पूरी तरह से वास्तविक दुनिया के नेटवर्क्स की नकल करता है जहाँ कुछ नोड्स के पास भारी संख्या में कनेक्शन होते हैं (पावर-लॉ वितरण), जबकि बाकी विरल होते हैं।

3. उन्होंने इसका परीक्षण कैसे किया: "9/11 न्यूज़" प्रयोग

यह साबित करने के लिए कि उनका कैमरा काम करता है, उन्होंने केवल नकली डेटा का उपयोग नहीं किया। उन्होंने इसे एक वास्तविक दुनिया के डेटासेट में डाला: 9/11 हमलों के बाद के हफ्तों की समाचार रिपोर्टें।

सेटअप: उन्होंने प्रत्येक शब्द को एक "व्यक्ति" माना और जब भी दो शब्द एक ही वाक्य में दिखाई दिए, तो उसे एक "हाथ मिलाना" (handshake) माना।
परिणाम: मॉडल ने सफलतापूर्वक ट्रैक किया कि सप्ताह दर सप्ताह "कहानी" कैसे विकसित हुई:
- सप्ताह 1: "हमला" (Attack) समुदाय विमानों और जुड़वां टावरों के बारे में था।
- सप्ताह 4: जैसे-जैसे अमेरिका ने अफगानिस्तान पर हमला किया, "हमला" समुदाय में "युद्ध" (War), "बुश" (Bush) और "तालिबान" (Taliban) जैसे शब्द शामिल होने लगे। समूह का अर्थ बदल गया।
- सप्ताह 5: एक नया समूह, "एंथ्रैक्स" (Anthrax), प्रकट हुआ (राजनेताओं को भेजे गए एंथ्रैक्स पत्रों के कारण)।
- विजेता: मॉडल ने देखा कि "सुरक्षा" (Security) शब्द "एयरपोर्ट सुरक्षा" के रूप में शुरू हुआ लेकिन जैसे-जैसे सप्ताह बीतते गए, यह धीरे-धीरे "राष्ट्रीय सुरक्षा" और फिर "स्वास्थ्य सुरक्षा" में बदल गया।

4. अन्य मॉडल क्यों विफल हुए

लेखकों ने अपने मॉडल की तुलना "पुराने दिग्गजों" से की:

"स्थिर" मॉडल (The Static Model): इसने सभी 6 हफ्तों की खबरों को लिया और उन्हें एक बड़े ढेर में मिला दिया। इसने "सुरक्षा" को एयरपोर्ट और स्वास्थ्य शब्दों के एक भ्रमित मिश्रण के रूप में देखा, जिससे विकास (evolution) छूट गया।
"कठोर" मॉडल (The Hard Model): इसने शब्दों को केवल एक बॉक्स में रखने के लिए मजबूर किया। यह इस तथ्य को नहीं संभाल सका कि "युद्ध" राजनीतिक और सैन्य दोनों था।
"गतिशील" मॉडल (The Dynamic Model): इसने बदलावों को ट्रैक करने की कोशिश की लेकिन डेटा की "विरल" प्रकृति (इस तथ्य को संभालने में विफल रहा कि अधिकांश शब्द शायद ही कभी एक साथ आते हैं) को नहीं संभाल सका।

निष्कर्ष (The Bottom Line)

यह शोध पत्र हमें सामाजिक नेटवर्क्स के लिए एक समय-यात्रा करने वाले सूक्ष्मदर्शी (time-traveling microscope) का अवसर देता है। यह हमें न केवल यह देखने की अनुमति देता है कि कौन किससे जुड़ा है, बल्कि यह भी कि वे संबंध कैसे विकसित होते हैं, समूह कैसे विलय और विभाजित होते हैं, और सप्ताह दर सप्ताह एक समुदाय का "मिजाज" (vibe) कैसे बदलता है, जबकि यह इस वास्तविकता का सम्मान करता है कि अधिकांश लोग शांत हैं और कुछ बहुत प्रभावशाली हैं।

यह एक शहर के मानचित्र को देखने और शहर के ट्रैफिक का लाइव ड्रोन फीड देखने के बीच का अंतर है, जो न केवल यह समझने में मदद करता है कि कारें कहाँ हैं, बल्कि यह भी कि वे जिस तरह से चल रही हैं, वे क्यों चल रही हैं।

यहाँ शोध पत्र "Dynamic sparse graphs with overlapping communities" (Miscouridou, Panero, और Laos द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्पार्स (sparse), स्केल-फ्री (scale-free) नेटवर्क में डायनेमिक कम्युनिटी डिटेक्शन की चुनौती को संबोधित करता है, जहाँ नोड्स (nodes) एक से अधिक ओवरलैपिंग समुदायों (overlapping communities) के सदस्य हो सकते हैं जो समय के साथ विकसित होते हैं।

मौजूदा मॉडलों की सीमाएँ:
- स्थिर बनाम गतिशील (Static vs. Dynamic): अधिकांश मौजूदा मॉडल स्थिर (static) हैं, जो समय के साथ समुदायों के उदय, विलय और विघटन को पकड़ने में विफल रहते हैं।
- स्पार्सिटी और पावर-लॉ (Sparsity and Power-Law): पारंपरिक स्टोकेस्टिक ब्लॉक मॉडल (SBMs) और उनके डायनेमिक विस्तार अक्सर एक्सचेंज करने योग्य रैंडम ग्राफ (exchangeable random graphs) मान लेते हैं, जो सैद्धांतिक रूप से या तो घने (dense) या खाली (empty) ग्राफ का संकेत देते हैं। वे उन वास्तविक दुनिया के नेटवर्कों को मॉडल करने में संघर्ष करते हैं जो स्पार्स (जहाँ किनारे/edges नोड्स की तुलना में उप-द्विघाती रूप से बढ़ते हैं) हैं और जिनमें हैवी-टेल्ड (पावर-लॉ) डिग्री वितरण होता है।
- हार्ड बनाम मिक्स्ड मेंबरशिप (Hard vs. Mixed Membership): कई डायनेमिक मॉडल "हार्ड" क्लस्टरिंग लागू करते हैं (जहाँ नोड्स ठीक एक समूह के सदस्य होते हैं), जबकि वास्तविक दुनिया की संस्थाओं में अक्सर मिश्रित सदस्यता (ओवरलैपिंग समुदाय) होती है।
- नोड डायनेमिक्स (Node Dynamics): कई मॉडल नोड्स के एक निश्चित सेट को मानते हैं, जबकि वास्तविक नेटवर्क में अक्सर नोड्स सिस्टम में आते या बाहर जाते रहते हैं।

लेखक एक ऐसा मॉडल विकसित करने का लक्ष्य रखते हैं जो एक साथ निम्नलिखित को संभाल सके:

डायनेमिक कनेक्टिविटी (नोड्स/एजेस का आना/जाना)।
डायनेमिक मिक्स्ड मेंबरशिप (ओवरलैपिंग समुदाय)।
स्पार्सिटी और पावर-लॉ डिग्री वितरण।
व्याख्यात्मकता (Interpretability) और अनिश्चितता का परिमाणीकरण (Uncertainty quantification)।

2. कार्यप्रणाली: dynSNetOC मॉडल

लेखक dynSNetOC (Dynamic Sparse Network with Overlapping Communities) प्रस्तावित करते हैं, जो एक बेयसियन नॉनपैरामेट्रिक मॉडल है।

मुख्य निर्माण (Core Construction)

यह मॉडल कम्प्लीटली रैंडम मेजर्स (CRMs) को एक लेटेंट मार्कोव प्रोसेस (Latent Markov Process) के साथ जोड़कर बनाया गया है।

पॉइंट प्रोसेस के रूप में ग्राफ का प्रतिनिधित्व:
एडजसेंसी मैट्रिक्स के बजाय, ग्राफ को प्लेन पर एक एक्सचेंज करने योग्य रैंडम मेजर के रूप में मॉडल किया गया है। नोड्स को $\theta_i \in \mathbb{R}^+$ स्थानों पर एम्बेड किया जाता है, और किनारे (edges) लेटेंट नोड वेट्स की स्थिति में पॉइसन प्रोसेस (Poisson process) के माध्यम से उत्पन्न होते हैं।
ओवरलैपिंग कम्युनिटीज के लिए कंपाउंड CRMs:
मॉडल $p$ $p$ समुदायों के लिए वेक्टर्स ऑफ CRMs $(W^{(t)}_1, \dots, W^{(t)}_p)$ $(W_{1}^{(t)}, \dots, W_{p}^{(t)})$ का उपयोग करता है।
- समुदाय $k$ में नोड $i$ का भार $w^{(t)}_{ik} = w_{i0} \beta^{(t)}_{ki}$ के रूप में फैक्टराइज़ किया जाता है।
- $w_{i0}$ नोड के आधारभूत सामाजिक व्यवहार (sociability/degree correction) को दर्शाता है।
- $\beta^{(t)}_{ki}$ समुदाय $k$ के प्रति नोड $i$ के समय-परिवर्तित संबद्धता स्कोर (affiliation score) को दर्शाता है।
- भार एक कंपाउंड जनरलाइज्ड गामा प्रोसेस (CGGP) से लिए जाते हैं, जो यह सुनिश्चित करता है कि परिणामी ग्राफ स्पार्स और पावर-लॉ डिग्री वितरण प्रदर्शित करे।
अस्थायी विकास (Temporal Evolution - Latent Markov Process):
सामुदायिक सदस्यता के विकास को मॉडल करने के लिए, संबद्धता स्कोर $\beta^{(t)}_{ki}$ $β_{k i}^{(t)}$ स्टोकेस्टिक रूप से विकसित होते हैं।
- विकास ऑगमेंटेशन वेरिएबल्स $\gamma^{(t)}_{ki}$ द्वारा संचालित होता है।
- संक्रमण एक मार्कोव संरचना का पालन करता है जहाँ $\beta^{(t+1)}$ का वितरण $\gamma^{(t)}$ के माध्यम से $\beta^{(t)}$ पर निर्भर करता है।
- एक पैरामीटर $\psi$ टेम्पोरल कोरिलेशन (विकास की स्मूथनेस) की शक्ति को नियंत्रित करता है।
जेनरेटिव प्रोसेस (Generative Process):
1. बेस वेट्स $w_{i0}$ को जनरलाइज्ड गामा प्रोसेस (GGP) से सैंपल करें।
2. मार्कोव प्रोसेस के माध्यम से विकसित होने वाले संबद्धता स्कोर $\beta^{(t)}_{ki}$ को सैंपल करें।
3. सामुदायिक वेट्स के उत्पादों के योग के अनुपात में दर $\lambda_{ij} = \sum_{k=1}^p w^{(t)}_{ik} w^{(t)}_{jk}$ के साथ एक पॉइसन वितरण से किनारे $n^{(t)}_{ij}$ उत्पन्न करें।

एसिम्प्टोटिक गुण (Asymptotic Properties)

लेखक सैद्धांतिक परिणाम स्थापित करते हैं जो सिद्ध करते हैं कि:

स्पार्सिटी: GGP पैरामीटर $\sigma \in (0, 1)$ चुनने पर, किनारों की संख्या $E$ का स्केल $O(N^{2/(1+\sigma)})$ होता है, जो ग्राफ को स्पार्स बनाता है।
पावर-लॉ: बड़े डिग्री के लिए डिग्री वितरण $1+\sigma$ एक्सपोनेंट के साथ पावर-लॉ का पालन करता है, जो वास्तविक दुनिया के नेटवर्क की विशेषताओं से मेल खाता है।

अनुमान (Inference)

CRM की अनंत गतिविधि (infinite activity) के कारण सटीक बेयसियन अनुमान कम्प्यूटेशनल रूप से कठिन है। लेखक एक अनुमानित अनुमान प्रक्रिया प्रस्तावित करते हैं:

अनुमान (Approximation): वे बेस वेट्स $w_{i0}$ के लिए एक परिमित-आयामी सन्निकटन (finite-dimensional approximation) के रूप में एक्सपोनेंशियल टिल्टेड BFRY (etBFRY) वितरण का उपयोग करते हैं, जो ट्रंकेशन लेवल बढ़ने के साथ GGP की ओर अभिसरित (converge) होता है।
एल्गोरिदम: वे पैरामीटर्स और हाइपर-पैरामीटर्स के अनुमानित पोस्टीरियर वितरण से सैंपल करने के लिए हैमिल्टोनियन मोंटे कार्लो (HMC) के माध्यम से NUTS सैंपलर (NumPyro में कार्यान्वित) का उपयोग करते हैं।

3. प्रमुख योगदान

नया मॉडल: एक एकल ढांचे के भीतर डायनेमिक ओवरलैपिंग कम्युनिटीज, स्पार्सिटी, और पावर-लॉ डिग्री डिस्ट्रीब्यूशन को एकीकृत करने वाला पहला बेयसियन नॉनपैरामेट्रिक मॉडल।
सैद्धांतिक गारंटी: प्रस्तावित डायनेमिक ग्राफ प्रोसेस के लिए एसिम्प्टोटिक स्पार्सिटी और पावर-लॉ डिग्री वितरण गुणों का प्रमाण।
स्केलेबल इन्फरेंस: अनंत-आयामी CRMs की कम्प्यूटेशनल बाधाओं से बचते हुए etBFRY और HMC का उपयोग करके एक सुलभ अनुमानित एल्गोरिदम का विकास।
डायनेमिक नोड सेट्स: यह मॉडल निश्चित-नोड वाले कई डायनेमिक मॉडलों के विपरीत, नेटवर्क में नोड्स के आने और जाने को स्वाभाविक रूप से समायोजित करता है।

4. प्रयोगात्मक परिणाम

मॉडल को सिंथेटिक और वास्तविक दुनिया के डेटा दोनों पर सत्यापित किया गया।

सिंथेटिक डेटा

सत्यापन: मॉडल ने ग्राउंड-ट्रुथ कम्युनिटी मेंबरशिप और सोशिएबिलिटी वेट्स को सफलतापूर्वक रिकवर किया।
फिट: पोस्टीरियर प्रेडिक्टिव डिग्री डिस्ट्रीब्यूशन वास्तविक पावर-लॉ डिस्ट्रीब्यूशन से निकटता से मेल खाता है, जिसमें 95% क्रेडिबल इंटरवल वास्तविक डेटा को कवर करते हैं।

वास्तविक दुनिया का डेटा: रॉयटर्स टेररिस्ट डेटासेट (Reuters Terrorist Dataset)

मॉडल को 9/11 हमलों के बाद समाचार लेखों के शब्द सह-उपस्थिति (word co-occurrences) के नेटवर्क पर लागू किया गया (6 सप्ताह)।

कम्युनिटी इवोल्यूशन: मॉडल ने "9/11 Attack," "Afghanistan," "Security," "Political Response," और "Anthrax" जैसे विकसित होते विषयों (themes) की पहचान की।
डायनेमिक इनसाइट्स:
- इसने "Attack" समुदाय के प्रारंभिक WTC घटना से लेकर अफगानिस्तान के बाद के आक्रमण तक के सिमेंटिक शिफ्ट (semantic shift) को पकड़ा।
- इसने "Anthrax" समुदाय के उदय (सप्ताह 4 में प्रकट हुआ) और "Security" के साथ इसकी अंतःक्रिया को ट्रैक किया।
- इसने मिश्रित सदस्यता को उजागर किया (जैसे, "war" और "Bush" जैसे शब्द समय के साथ "Political" और "Attack" समुदायों के बीच स्थानांतरित होते रहे)।
तुलना:
- बनाम स्टैटिक SNetOC: स्टैटिक मॉडल अस्थायी विकास को पकड़ने में विफल रहा, जिससे अलग-अलग चरणों को एक ही स्टैटिक दृश्य में मिला दिया गया।
- बनाम वीकली SNetOC: प्रति सप्ताह स्वतंत्र रूप से स्टैटिक मॉडल चलाने से सामुदायिक विषयों की निरंतरता को ट्रैक करने में विफलता हुई।
- बनाम dynSBM (Dynamic Stochastic Block Model): स्पार्सिटी और पावर-लॉ डिस्ट्रीब्यूशन को पकड़ने में विफल रहा, जिसके परिणामस्वरूप खराब फिट और व्याख्याहीन समुदाय मिले।
- बनाम dMMSB (Dynamic Mixed Membership SBM): स्पार्स डेटा में सार्थक सामुदायिक संरचना का पता लगाने में विफल रहा, जो नोड डिग्री के आधार पर प्रभावी रूप से एक ही समुदाय में सिमट गया।

5. महत्व

यह कार्य सैद्धांतिक ग्राफ लिमिट्स (स्पार्सिटी/पावर-लॉ) और व्यावहारिक डायनेमिक विश्लेषण (ओवरलैपिंग, विकसित होते समुदाय) के बीच के अंतर को पाटकर जटिल नेटवर्क मॉडलिंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

व्याख्यात्मकता (Interpretability): यह जटिल प्रणालियों (सामाजिक, जैविक, तकनीकी) के समय के साथ पुनर्गठित होने को समझने के लिए एक लचीला, व्याख्यात्मक ढांचा प्रदान करता है।
मजबूती (Robustness): यह क्लासिकल एक्सचेंज करने योग्य मॉडलों की "घने ग्राफ" की सीमा को दूर करता है, जिससे यह वास्तविक दुनिया के विशाल स्पार्स नेटवर्कों के लिए लागू करने योग्य बन जाता है।
भविष्य का प्रभाव: यह ढांचा कोवेरियेट्स (covariates) को मॉडल करने, समुदायों की संख्या को डायनेमिक रूप से अनुमानित करने और महामारी विज्ञान से लेकर वित्तीय बाजार विश्लेषण तक के क्षेत्रों में बड़े पैमाने के टेम्पोरल नेटवर्क्स को लागू करने के नए मार्ग खोलता है।