📊 statistics

Risk reversal for least squares estimators under nested convex constraints

यह शोध पत्र यह प्रदर्शित करता है कि सीमित स्टोकेस्टिक अनुकूलन (constrained stochastic optimization) में, यह अंतर्ज्ञान कि वास्तविक पैरामीटर को समाहित करने वाले एक छोटे नेस्टेड उत्तल सेट (nested convex set) तक व्यवहार्य सेट को प्रतिबंधित करना हमेशा सांख्यिकीय जोखिम को कम करता है, पर्याप्त बड़े शोर के तहत विफल हो जाता है, जो एक ऐसी घटना है जिसे "जोखिम उलटाव" (risk reversal) कहा जाता है जहाँ कड़े प्रतिबंध विरोधाभासी रूप से लीस्ट स्क्वायर्स अनुमानकों (least squares estimators) के प्रदर्शन को खराब कर देते हैं।

मूल लेखक: Omar Al-Ghattas

प्रकाशित 2026-07-28

📖 11 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Omar Al-Ghattas

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 घने जंगल में एक खोए हुए हाइकर को खोजने की कोशिश कर रहे हैं। आपके पास एक नक्शा है, लेकिन वह थोड़ा धुंधला है, और आपके पास केवल एक शोर वाले रेडियो सिग्नल (noisy radio signal) से मार्गदर्शन करने के लिए संकेत हैं। सांख्यिकी (statistics) की दुनिया में, यह एक सामान्य समस्या है: धुंधले डेटा के आधार पर छिपे हुए सत्य (जैसे हाइकर का स्थान) का अनुमान लगाने की कोशिश करना। आमतौर पर, सांख्यिकीविदों के पास इस बात का पूर्वाभास होता है कि सत्य कहाँ हो सकता है—शायद वे जानते हैं कि हाइकर एक विशिष्ट पार्क के भीतर कहीं है, या शायद उससे भी करीब, उस पार्क के भीतर एक छोटे से खुले क्षेत्र (clearing) में है। यह "पूर्वाभास" एक 'कन्स्ट्रेंट' (constraint) कहलाता है। मानक नियम यह है कि यदि आप अपने नक्शे में अधिक नियम जोड़ते हैं (जैसे खोज क्षेत्र को पूरे जंगल से घटाकर केवल पार्क तक सीमित करना, या पार्क से घटाकर एक छोटे खुले क्षेत्र तक), तो आपको एक बेहतर अनुमान मिलना चाहिए। यह तर्कसंगत लगता है: अधिक जानकारी का अर्थ है कम त्रुटि। यह "कन्स्ट्रेंड एस्टीमेशन" (constrained estimation) का आधार है, जहाँ गणितज्ञ यह पता लगाने के लिए ज्यामिति (geometry) का उपयोग करते हैं कि जब डेटा शोर वाला हो, तो वे सबसे अच्छे अनुमान कैसे लगा सकते हैं।

लेकिन क्या होगा यदि आपके अतिरिक्त नियम वास्तव में आपके अनुमान को बदतर बना दें? क्या होगा यदि आपकी खोज के दायरे को कम करना, आपकी मदद करने के बजाय, अनजाने में आपके अनुमान को सत्य से और दूर धकेल दे? यह एक विरोधाभास (paradically) जैसा लगता है, तर्क की दुनिया में एक गड़बड़ी। फिर भी, उमर अल-घत्तस का एक नया शोध पत्र बताता है कि शोर वाले डेटा की दुनिया में, यह विपरीत प्रभाव (risk reversal) न केवल संभव है, बल्कि यह बहुत ही सरल, रोजमर्रा के परिदृश्यों में हो सकता है। यह पत्र "गौसियन सीक्वेंस मॉडल" (Gaussian sequence model) नामक एक विशिष्ट प्रकार की गणितीय समस्या की जांच करता है, जो बस एक फैंसी तरीका है यह कहने का: "हमारे पास एक वास्तविक संख्या है, और हम देखते हैं कि उस संख्या का एक ऐसा संस्करण जिसे यादृच्छिक शोर (random static) द्वारा अस्त-व्यस्त कर दिया गया है।" लक्ष्य उस वास्तविक संख्या को खोजना है जिसे अपने शोर वाले अवलोकन (observation) को एक आकृति (जैसे त्रिभुज या रेखा) पर प्रोजेक्ट करके प्राप्त किया जा सके, जो हमें विश्वास है कि उत्तर के भीतर है। यह पत्र एक सरल प्रश्न पूछता है: यदि हम अपनी आकृति को एक छोटी आकृति में सिकोड़ देते हैं जो अभी भी उत्तर को निश्चित रूप से समाहित करती है, तो क्या हमारी त्रुटि हमेशा कम हो जाएगी?

इसका उत्तर, आश्चर्यजनक रूप से, नहीं है। यह पत्र सिद्ध करता है कि कुछ विशेष परिस्थितियों में, विशेष रूप से जब शोर (static) बहुत अधिक हो, तो बाधाओं को कड़ा करने से वास्तव में त्रुटि बढ़ सकती है। लेखक दिखाते हैं कि यह केवल किसी अजीब, टूटे हुए उदाहरण की भूल नहीं है; यह त्रिभुज और रेखा जैसी मानक आकृतियों के साथ होता है, और यह तब भी सच होता है जब "वास्तविक" उत्तर आकृति के बिल्कुल बीच में हो, न कि केवल किनारे पर। वे प्रदर्शित करते हैं कि जबकि अधिक बाधाएं जोड़ने से तब मदद मिलती है जब शोर बहुत कम हो, उच्च शोर के स्तर पर एक "स्वीट स्पॉट" (sweet spot) होता है जहाँ आकृतियों की ज्यामिति शोर के साथ इस तरह से परस्पर क्रिया करती है कि छोटा, अधिक कड़ा प्रतिबंध बड़े प्रतिबंध की तुलना में बदतर प्रदर्शन करता है। यह केवल एक सैद्धांतिक जिज्ञासा नहीं है; लेखक इसे गणितीय रूप से सिद्ध करते हैं, यह दिखाते हुए कि त्रुटि स्पष्ट रूप से बढ़ सकती है, और वे यह भी दिखाते हैं कि यह "वर्स्ट-केस" (worst-case) परिदृश्य के लिए भी हो सकता है, जिसका अर्थ है कि यह अनुमानकों (estimators) के काम करने के तरीके में एक वास्तविक दोष है, न कि केवल एक अस्थायी गड़बड़ी।

सिकुड़ते जाल की कहानी (The Story of the Shrinking Trap)

आइए इस विरोधाभास की कार्यप्रणाली को एक डार्टबोर्ड और एक बहुत ही भ्रमित फेंकने वाले की कहानी का उपयोग करके समझते हैं।

कल्पना कीजिए कि आप एक डार्टबोर्ड पर बुल्सआई (वास्तविक पैरामीटर, $\theta^\star$ ) को हिट करने की कोशिश कर रहे हैं। लेकिन आप आंखों पर पट्टी बांधे हुए हैं, और हर बार जब आप फेंकते हैं, तो हवा (शोर, $\sigma Z$ ) डार्ट को रास्ते से भटका देती है। आप जानते हैं कि बुल्सआई एक बड़े, त्रिकोणीय टेंट ( $\Theta_L$ ) के भीतर कहीं है। खुद की मदद करने के लिए, आप बड़े टेंट के अंदर एक छोटा, अधिक कड़ा टेंट ( $\Theta_S$ ) लगाने का निर्णय लेते हैं, यह विश्वास करते हुए कि यदि आप अपनी खोज को इस छोटे क्षेत्र तक सीमित कर देंगे, तो आप अधिक सटीक होंगे। आप एक "लीस्ट स्क्वायर्स एस्टिमेटर" (Least Squares Estimator) का उपयोग करते हैं, जो बस एक फैंसी नाम है जिसका अर्थ है: "देखो कि डार्ट कहाँ गिरी है, और अपने टेंट के भीतर सबसे करीबी बिंदु तक एक सीधी रेखा खींचें।"

एक शांत, स्थिर दुनिया (कम शोर) में, यह पूरी तरह से काम करता है। यदि हवा मुश्किल से चल रही है, तो आपका डार्ट बुल्सआई के बहुत करीब गिरता है। चाहे आप बड़े टेंट के अंदर हों या छोटे वाले के, आपके डार्ट के सबसे करीबी बिंदु लगभग वही बुल्सआई ही होंगे। वास्तव में, यदि बुल्सआई छोटे टेंट के बीच में है, तो छोटा टेंट थोड़ा बेहतर होता है क्योंकि यह बड़े टेंट के उस "बर्बाद" स्थान को काट देता है जहाँ डार्ट कभी पहुँच ही नहीं सकता था।

लेकिन अब, हवा की गति बढ़ा दें। इसे एक तूफान बना दें। अचानक, आपका डार्ट बुल्सआई से बहुत दूर, कहीं भी गिर सकता है। यहीं पर जादू (या जाल) होता है।

लेखक टेंटों के लिए एक विशिष्ट आकार का निर्माण करते हैं ताकि दिखाया जा सके कि यह कैसे गलत होता है। कल्पना कीजिए कि बड़ा टेंट एक त्रिभुज है, और छोटा टंत इसके माध्यम से जाने वाली एक एकल रेखा खंड (line segment) है। जब हवा प्रचंड होती है, तो आपका डार्ट बुल्सआई से बहुत दूर किसी स्थान पर गिर सकता है।

बड़ा टेंट: क्योंकि यह चौड़ा है और इसका एक कोना एक विशिष्ट दिशा में है, बड़े टेंट के भीतर का "निकटतम बिंदु" एक कोना हो सकता है जो संयोग से उस स्थान के अपेक्षाकृत करीब है जहाँ आपका डार्ट गिरा है।
छोटा टेंट: क्योंकि यह केवल एक पतली रेखा है, उस रेखा पर आपके डार्ट का "निकटतम बिंदु" वास्तव में बुल्सआई से उस बिंदु की तुलना में बहुत दूर हो सकता है जो बड़े टेंट के कोने का था।

यह एक कमरे में खोई हुई चाबी खोजने जैसा है। यदि आपके पास एक बड़ा कमरा (बड़ा टेंट) है, और आप चाबी को एक कोने में गिरा देते हैं, तो आप उसे जल्दी ढूंढ सकते हैं। लेकिन यदि आप कमरे को एक संकीर्ण गलियारे (छोटा टेंट) में सिकोड़ देते हैं जो उस कोने तक नहीं पहुँचता है, तो आपको मजबूरन एक ऐसे स्थान पर देखना पड़ सकता है जो वास्तव में उस स्थान से बहुत दूर है जहाँ चाबी वास्तव में थी, केवल इसलिए क्योंकि गलियारा आपको एक अलग दिशा में देखने के लिए मजबूर करता है।

लेखक दिखाते हैं कि जब शोर पर्याप्त रूप से अधिक होता है, तो "छोटा टेंट" बड़े टेंट की तुलना में अधिक बार "गलत अनुमान" लगाने के लिए मजबूर करता है। बड़े टेंट के पास अतिरिक्त स्थान होने के कारण, उसके पास एक "सुरक्षित आश्रय" (बॉर्डर पर एक बिंदु) होने की बेहतर संभावना होती है जो शोर वाले डार्ट के अधिक करीब हो।

शोर के दो चेहरे (The Two Faces of Noise)

लेखक समझाते हैं कि यह घटना पूरी तरह से इस बात पर निर्भर करती है कि शोर कितना तेज है। वे इस कहानी को दो अध्यायों में विभाजित करते हैं:

अध्याय 1: फुसफुसाहट (लुप्त होता शोर - Vanishing Noise)
जब शोर बहुत कम होता है (हवा एक हल्की बries की तरह है), तो यह पत्र सिद्ध करता है कि छोटा टेंट हमेशा जीतता है या बराबरी करता है। त्रुटि टेंट के ठीक आसपास के स्थानीय आकार (local shape) द्वारा नियंत्रित होती है। यदि बुल्सआई छोटे टेंट के अंदर है, तो छोटे टेंट का स्थानीय आकार "अधिक कड़ा" होता है, जिसका अर्थ है आमतौर पर त्रुटि के लिए कम गुंजाइश। इस शासन (regime) में, सहज ज्ञान काम करता है: अधिक बाधाएं = बेहतर सटीकता। यह पत्र गणितीय रूप से सिद्ध करता है कि यहाँ कोई 'रिस्क रिवर्ज़ल' नहीं हो सकता; छोटे टेंट की त्रुटि हमेशा बड़े टेंट के बराबर या उससे कम होती है।

अध्याय 2: गर्जना (बढ़ता हुआ शोर - Diverging Noise)
जब शोर बहुत अधिक होता है (एक तूफान), तो स्थानीय आकार उतना महत्वपूर्ण नहीं रह जाता जितना कि वैश्विक आकार (global shape)। डार्ट इतनी दूर जा सकता है कि एस्टिमेटर अनिवार्य रूप से शोर की दिशा से टेंट के "सिलुएट" (silhouette) को देख रहा होता है। पत्र दिखाता है कि एस्टिमेटर अंततः टेंट के एक विशिष्ट "फेस" या "कोने" को चुन लेता है जो शोर की दिशा पर आधारित होता है।
यहाँ मोड़ आता है: छोटे टेंट की ज्यामिति ऐसी हो सकती है कि जब इसे एक यादृच्छिक शोर वाली दिशा से देखा जाता है, तो यह एक ऐसे कोने की ओर इशारा करती है जो बुल्सआई से बहुत दूर है। हालाँकि, बड़े टेंट के पास एक अतिरिक्त कोना हो सकता है जो शोर को बेहतर तरीके से "पकड़" लेता है, जिससे वह बुल्सआई के अधिक करीब पहुँच जाता है।
पत्र एक पैरामीटर $c$ (जो त्रिभुज के आकार को नियंत्रित करता है) के साथ एक ठोस उदाहरण प्रदान करता है। वे दिखाते हैं कि यदि $c$ छोटा है (जिससे छोटा टेंट बहुत पतला हो जाता है), और शोर अधिक है, तो छोटे टेंट की त्रुटि बड़े टेंट की तुलना में स्पष्ट रूप से अधिक हो जाती है। वे ग्राफ भी दिखाते हैं कि जैसे-जैसे आप शोर बढ़ाते हैं, त्रुटि वक्र (error curves) एक दूसरे को काटते हैं। शुरू में, छोटा टेंट बेहतर होता है, लेकिन जैसे-जैसे शोर बढ़ता है, रेखाएं आपस में मिल जाती हैं, और छोटा टेंट बदतर हो जाता है। यही "रिस्क रिवर्ज़ल" (Risk Reversal) है।

यह केवल एक इत्तेफाक नहीं है

आप सोच सकते हैं, "क्या यह केवल एक विशिष्ट त्रिभुज के साथ किया गया कोई अजीब प्रयोग है?" लेखक कहते हैं कि नहीं। वे दिखाते हैं कि यह तब भी होता है जब बुल्सआई आकार के बिल्कुल बीच में हो, न कि केवल किनारे पर। वे दिखाते हैं कि यह केवल नुकीले त्रिभुजों के साथ ही नहीं, बल्कि दीर्घवृत्त (ellipses) जैसी चिकनी आकृतियों के साथ भी होता है। वे यह भी दिखाते हैं कि इससे कोई फर्क नहीं पड़ता कि शोर पूरी तरह से गौसियन (मानक बेल कर्व) है या नहीं; यह अन्य प्रकार के "रेडियल" शोर के साथ भी होता है, जब तक कि शोर पर्याप्त रूप से अधिक हो।

इसके अलावा, वे सिद्ध करते हैं कि यह केवल एक बिंदु पर एक बार की गलत अनुमान नहीं है। वे दिखाते हैं कि वर्स्ट-केस त्रुटि (अधिकतम संभावित त्रुटि जो आप प्राप्त कर सकते हैं) भी बदल जाती है। इसका अर्थ है कि यदि आप एक सांख्यिकीविद् हैं जो एक ऐसी प्रणाली डिजाइन करने की कोशिश कर रहे हैं जो सबसे खराब परिदृश्यों में भी अच्छी तरह से काम करे, तो बाधा जोड़ना वास्तव में आपकी प्रणाली को कम मजबूत बना सकता है।

निष्कर्ष (The Takeaway)

यह शोध पत्र सांख्यिकी के सबसे बुनियादी उपकरणों में से एक: "प्रोजेक्शन एस्टिमेटर" (projection estimator) की एक छिपी हुई विफलता को उजागर करता है। हम अक्सर सोचते हैं कि "अधिक संरचना" (अधिक बाधाएं) हमेशा बेहतर होती है। लेकिन यह पत्र दिखाता है कि शोर भरी दुनिया में, संरचना जोड़ना कभी-कभी आपको एक ऐसी ज्यामिति में फंसा सकता है जो शोर के लिए अनुपयुक्त हो।

यह एक याद दिलाता है कि उच्च अनिश्चितता के सामने, कभी-कभी थोड़ा अधिक स्थान होना (एक बड़ा बाधा सेट) एक सख्त, विशिष्ट कोने में बंधे रहने की तुलना में अधिक सुरक्षित होता है। "रिस्क रिवर्ज़ल" एक वास्तविक सांख्यिकीय घटना है जहाँ अधिक सटीक होने की कोशिश करना कभी-कभी उल्टा पड़ सकता है, जिससे बड़े टेंट की तुलना में अधिक त्रुटि हो सकती है। लेखकों ने इसे गणितीय रूप से सिद्ध किया है, यह दिखाते हुए कि पर्याप्त शोर के लिए, यह सहज ज्ञान कि "छोटा होना बेहतर है" पूरी तरह से उलट सकता है।

तकनीकी सारांश: नेस्टेड उत्तल बाधाओं के तहत लीस्ट स्क्वायर्स अनुमानकों के लिए रिस्क रिवर्ज़ल (जोखिम उलटाव)

समस्या विवरण
प्रतिबंधित स्टोकेस्टिक अनुकूलन (constrained stochastic optimization) में, यह एक मानक अंतर्ज्ञान है कि यदि वास्तविक पैरामीटर (true parameter) फेसिबल सेट के भीतर ही रहे, तो अनुमानक (estimator) के फेसिबल सेट को सीमित करने से सांख्यिकीय प्रदर्शन में सुधार होना चाहिए या कम से कम गिरावट नहीं आनी चाहिए। यह शोध पत्र गॉसियन अनुक्रम मॉडल (Gaussian sequence model) के भीतर इस अंतर्ज्ञान की वैधता की जांच करता है। विशेष रूप से, एक वास्तविक पैरामीटर $\theta^\star$ और दो नेस्टेड (एक के भीतर एक), कॉम्पैक्ट, उत्तल बाधा सेटों $\Theta_S \subsetneq \Theta_L$ (जहाँ $\theta^\star \in \Theta_S$ ) को देखते हुए, लेखक लीस्ट स्क्वायर्स एस्टिमेटर (LSE) के व्यवहार का परीक्षण करते हैं, जो इस सेटिंग में मैक्सिमम लाइकलीहुड एस्टिमेटर (MLE) के समान है। LSE को प्रेक्षण (observation) $Y = \theta^\star + \sigma Z$ का बाधा सेट पर यूक्लिडियन प्रोजेक्शन (Euclidean projection) के रूप में परिभाषित किया गया है। केंद्रीय प्रश्न यह है कि क्या छोटे सेट $\Theta_S$ पर प्रतिबंधित अनुमानक का स्क्वेर्ड-एरर रिस्क (squared-error risk), बड़े सेट $\Theta_L$ पर प्रतिबंधित अनुमानक के रिस्क से सख्ती से अधिक हो सकता है, जिसे लेखक "रिस्क रिवर्ज़ल" (risk reversal) कहते हैं।

कार्यप्रणाली
यह शोध पत्र विभिन्न शोर स्तरों (noise regimes) में LSE के रिस्क को लक्षणित करने के लिए स्पष्ट ज्यामितीय निर्माण, एसिम्प्टोटिक विश्लेषण (asymptotic analysis), और संभाव्यता सीमा प्रमेयों (probabilistic limit theorems) के संयोजन का उपयोग करता है।

स्पष्ट निर्माण: लेखक जोखिम उलटाव (risk reversal) को प्रदर्शित करने के लिए नेस्टेड उत्तल सेटों (एक रेखा खंड $\Theta_S$ और एक त्रिकोण $\Theta_L$ ) वाला एक विशिष्ट द्वि-आयामी उदाहरण निर्मित करते हैं। वे रिस्क फंक्शन $R_\sigma(\theta^\star; \Theta)$ के सटीक क्लोज्ड-फॉर्म एक्सप्रेशन प्राप्त करते हैं ताकि शोर स्तर $\sigma$ और ज्यामितीय मापदंडों पर उनकी निर्भरता को ट्रैक किया जा सके।
एसिम्प्टोटिक रिजीम्स (Asymptotic Regimes): विश्लेषण को दो पूरक श्रेणियों में विभाजित किया गया है:
- लुप्त होता शोर रिजीम ( $\sigma \to 0$ ): रिस्क का विश्लेषण वास्तविक पैरामीटर पर टेंजेंट कोन (tangent cone) के सांख्यिकीय आयाम (statistical dimension) का उपयोग करके किया जाता है, जो ओयमक और हासिबी (2016) तथा अमेलुन्क्सन एट अल. (2014) के स्थापित परिणामों का अनुसरण करता है।
- बढ़ता हुआ शोर रिजीम ( $\sigma \to \infty$ ): लेखक एक नया ज्यामितीय लक्षण वर्णन विकसित करते हैं जहाँ अनुमानक का व्यवहार बाधा सेट के स्थानीय गुणों के बजाय उसके वैश्विक ज्यामिति (global geometry) द्वारा नियंत्रित होता है। वे दिखाते हैं कि जैसे-जैसे शोर बढ़ता है, LSE शोर वेक्टर की यादृच्छिक दिशा द्वारा चयनित बाधा सेट के "एक्सपोज़्ड फेस" (exposed face) पर केंद्रित होता है।
सामान्यीकरण: इस ढांचे को रेडियल लोकेशन मॉडल्स (जहाँ शोर घनत्व केवल नॉर्म पर निर्भर करता है) और रेडियल लॉस फंक्शन्स के एक वर्ग तक विस्तारित किया गया, जिससे यह प्रदर्शित होता है कि यह घटना विशिष्ट वितरण संबंधी मान्यताओं के बजाय प्रोजेक्शन की ज्यामिति और शोर की दिशा पर निर्भर करती है।

मुख्य परिणाम

बढ़ते शोर में अंतर्ज्ञान की विफलता: यह शोध पत्र सिद्ध करता है कि रिस्क रिवर्ज़ल संभव है। बढ़ते-शोर वाले रिजीम में, नेस्टेड सेट $\Theta_S \subsetneq \Theta_L$ और एक पैरामीटर $\theta^\star \in \Theta_S$ मौजूद हैं कि पर्याप्त बड़े $\sigma$ के लिए $R_\sigma(\theta^\star; \Theta_S) > R_\sigma(\theta^\star; \Theta_L)$ होता है। ऐसा इसलिए होता है क्योंकि बाधा सेटों के बीच "मिसअलाइनमेंट" (misalignment) के कारण छोटे सेट पर प्रोजेक्शन एक ऐसे फेस (या वर्टेक्स) पर गिरता है जो, शोर की दिशाओं के यादृच्छिक होने पर, औसत रूप से वास्तविक पैरामीटर से बड़े सेट के प्रोजेक्शन की तुलना में अधिक दूर होता है।
लुप्त होते शोर में मोनोटोनिसिटी: इसके विपरीत, लुप्त होते शोर वाले रिजीम में, रिस्क रिवर्ज़ल अग्रणी क्रम ( $\sigma^2$ ) पर नहीं हो सकता। रिस्क का अग्रणी पद टेंजेंट कोन के सांख्यिकीय आयाम के समानुपाती होता है। चूंकि सांख्यिकीय आयाम उत्तल कोन (convex cones) के समावेश के तहत मोनोटोनिक होता है, इसलिए $\sigma \to 0$ होने पर छोटे प्रतिबंध का रिस्क बड़े सेट के रिस्क से एसिम्प्टोटिक रूप से अधिक नहीं होता है।
वर्स्ट-केस रिस्क रिवर्ज़ल: यह घटना केवल एक बिंदुवार विसंगति नहीं है। लेखक ऐसे उदाहरण निर्मित करते हैं जहाँ वर्स्ट-केस रिस्क (प्रतिबंध सेट पर रिस्क का सुप्रीमकम) भी रिवर्स होता है: बढ़ते $\sigma$ के लिए $\sup_{\theta \in \Theta_S} R_\sigma(\theta; \Theta_S) > \sup_{\theta \in \Theta_L} R_\sigma(\theta; \Theta_L)$ । यह बढ़ते-शोर वाले रिजीम में रिस्क फंक्शन के इसके सीमित रूप में समान अभिसरण (uniform convergence) के माध्यम से स्थापित किया गया है।
मजबूती (Robustness): परिणाम रेडियल शोर मॉडल्स और रेडियल लॉस फंक्शन्स तक विस्तारित होते हैं। तंत्र शोर दिशाओं के गोले (sphere) पर समान वितरण और एक्सपोज़्ड फेसेस की ज्यामिति पर निर्भर करता है, जो इन सामान्यीकरणों के तहत अपरिवर्तित रहता है।

महत्व और दावे
शोध पत्र का दावा है कि यह लीस्ट स्क्वायर्स एस्टिमेटर और व्यापक रूप से प्रोजेक्शन-आधारित अनुमानकों के एक पहले से अनभिज्ञ विफलता मोड (failure mode) को प्रकट करता है। लेखक इस बात पर जोर देते हैं कि यह मॉडल मिसस्पेसिफिकेशन, नॉन-कॉन्वेक्सिटी, या बाउंड्री इफेक्ट्स का आर्टिफैक्ट नहीं है, बल्कि यह एक वास्तविक सांख्यिकीय घटना है जो बाधा सेट की वैश्विक ज्यामिति से उत्पन्न होती है।

विरोधाभासी प्रदर्शन: यह कार्य प्रदर्शित करता है कि पर्याप्त शोर वाले परिवेश में, एक सही ढंग से निर्दिष्ट (correctly specified) बाधा को कड़ा करना विरोधाभासी रूप से सांख्यिकीय प्रदर्शन को खराब कर सकता है।
मौजूदा सिद्धांत की सीमाएं: लेखक नोट करते हैं कि चैटर्जी (2014) द्वारा दिए गए मौजूदा रिस्क लक्षण वर्णन बहुत मोटे (coarse) हैं और इस घटना का पता लगाने में सक्षम नहीं हैं। चैटर्जी के बाउंड्स स्थानीय सन्निकटन (local approximations) या स्केल पैरामीटर्स पर निर्भर करते हैं जो उन गैर-स्थानीय, वैश्विक ज्यामितीय अंतःक्रियाओं को कैप्चर नहीं करते जो बढ़ते-शोर वाले रिजीम में रिस्क रिवर्ज़ल के लिए जिम्मेदार हैं।
मिसस्पेसिफिकेशन से अंतर: मिसस्पेसिफाइड सेटिंग्स (जैसे फेंग और गुंटुबॉयना, 2019) के विपरीत जहाँ रिस्क में कमी बायस (bias) द्वारा संचालित होती है, यह घटना अच्छी तरह से निर्दिष्ट मॉडल्स में होती है जहाँ वास्तविक पैरामीटर दोनों बाधा सेटों के भीतर सख्ती से समाहित है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि जबकि वैध संरचनात्मक बाधाएं जोड़ना आम तौर पर जटिलता को कम करता है, यह उच्च शोर के तहत अनुमान त्रुटि को बढ़ा देने वाले वैश्विक ज्यामितीय मिसअलाइनमेंट पेश कर सकता है। यह इस धारणा को चुनौती देता कि "अधिक बाधाएं" हमेशा प्रोजेक्शन-आधारित विधियों में "बेहतर अनुमान" के बराबर होती हैं।

सिकुड़ते जाल की कहानी (The Story of the Shrinking Trap)

शोर के दो चेहरे (The Two Faces of Noise)

यह केवल एक इत्तेफाक नहीं है

निष्कर्ष (The Takeaway)

इसी तरह के और पेपर