⚡ electrical engineering

LightSBB-M: Bridging Schrödinger and Bass for Generative Diffusion Modeling

यह शोध पत्र LightSBB-M प्रस्तुत करता है, जो एक स्केलेबल एल्गोरिदम है जो एक द्वैत प्रतिनिधित्व (dual representation) का लाभ उठाकर इष्टतम श्रोडिंगर ब्रिज (Schrödinger Bridge) और बास ट्रांसपोर्ट (Bass transport) योजनाओं को कुशलतापूर्वक कंप्यूट करता है ताकि मौजूदा डिफ्यूजन और SB बेसलाइन की तुलना में काफी कम वासरस्टीन दूरियों (Wasserstein distances) के साथ अत्याधुनिक जनरेटिव प्रदर्शन प्राप्त किया जा सके।

मूल लेखक: Alexandre Alouadi, Pierre Henry-Labordère, Grégoire Loeper, Othmane Mazhar, Huyên Pham, Nizar Touzi

प्रकाशित 2026-05-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexandre Alouadi, Pierre Henry-Labordère, Grégoire Loeper, Othmane Mazhar, Huyên Pham, Nizar Touzi

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 लोगों की एक भीड़ को एक शहर के चौक (जिसे "सोर्स" या स्रोत कहा गया है) से दूसरे शहर के चौक (जिसे "टारगेट" या लक्ष्य कहा गया है) तक ले जाने की कोशिश कर रहे हैं। AI की दुनिया में, ये "लोग" डेटा पॉइंट्स हैं, और ये "चौक" डेटा के जटिल पैटर्न हैं, जैसे वयस्कों के चेहरे या बच्चों के चेहरे।

लंबे समय से, AI शोधकर्ता इस भीड़ को ले जाने के दो मुख्य तरीके इस्तेमाल करते आए हैं:

"सख्त गाइड" (श्रोडिंगर ब्रिज - Schrödinger Bridge): कल्पना कीजिए कि एक गाइड है जो सबको बताता है कि उन्हें हर कदम पर ठीक कहाँ चलना है। यह तब बहुत अच्छा काम करता है जब भीड़ अनुशासित हो और रास्ता सुगम हो। हालाँकि, यदि लक्षित भीड़ अराजक (chaotic) है, उसमें बहुत अधिक बाहरी तत्व (outliers) हैं, या वह "हैवी-टेल्ड" (heavy-tailed) है (जिसका अर्थ है कि कुछ लोग बाकी लोगों से बहुत अलग और अजीब हैं), तो यह सख्त गाइड भ्रमित हो जाता है और विफल हो जाता है। यह मान लेता है कि हर कोई एक स्थिर, अनुमानित गति से चलता है।
"स्पीड-एडजस्टर" (बास ट्रांसपोर्ट - Bass Transport): कल्पना कीजिए कि एक गाइड है जो लोगों को यह नहीं बताता कि उन्हें कहाँ चलना है, बल्कि यह बताता है कि उन्हें कितनी तेज़ी से दौड़ना है। यह अराजक भीड़ के लिए तो बहुत अच्छा है, लेकिन इसमें एक विशिष्ट दिशा का अभाव है।

समस्या: वास्तविक दुनिया का डेटा अक्सर बिखरा हुआ और अव्यवset होता है। इसमें ऐसे बाहरी तत्व और अजीब आकार होते हैं जिन्हें "सख्त गाइड" संभाल नहीं पाता, लेकिन "स्पीड-एडजस्टर" हर चीज़ के लिए पर्याप्त सटीक नहीं है।

समाधान: LightSBB-M
लेखकों ने एक नया तरीका बनाया है जिसे LightSBB-M कहा जाता है। इसे एक "सुपर-गाइड" के रूप में सोचें जो ये दोनों काम एक साथ कर सकता है।

जादुई नॉब (बीटा - $\beta$ ): इस नए गाइड के पास एक विशेष डायल है जिसे $\beta$ कहा जाता है।
- यदि आप डायल को एक तरफ घुमाते हैं, तो गाइड "सख्त गाइड" की तरह कार्य करता है (दिशा पर ध्यान केंद्रित करता है)।
- यदि आप इसे दूसरी ओर घुमाते हैं, तो यह "स्पीड-एडजस्टर" की तरह कार्य करता है (इस पर ध्यान केंद्रित करता है कि लोग कितनी तेज़ी से चलते हैं)।
- सबसे महत्वपूर्ण बात यह है कि आप डायल को इनके बीच कहीं भी सेट कर सकते हैं। यह AI को उस बिखरी हुई, अराजक डेटा (जैसे हैवी-टेल्ड वितरण) को संभालने की अनुमति देता है जो पुराने तरीकों को तोड़ सकता है।

यह कैसे काम करता है ( "लाइट" ट्रिक)
आमतौर पर, इस तरह से भीड़ को ले जाने का तरीका खोजने के लिए बहुत अधिक कंप्यूटर पावर और समय की आवश्यकता होती है, जैसे कि एक भीड़ भरे स्टेडियम में हर एक व्यक्ति की गति का अनुकरण (simulate) करना।

लेखकों ने एक "शॉर्टकट" (एक गणितीय ट्रिक जिसे डुअल रिप्रेजेंटेशन कहा जाता है) खोजा है। सीधे तौर पर उस बिखरी हुई, जटिल गति का अनुकरण करने के बजाय, वे:

बिखरी हुई भीड़ को एक सरल, सुगम संस्करण में बदल देते हैं (जैसे एक मुड़े हुए कागज को सीधा करना)।
सुगम संस्करण को आसानी से ले जाते हैं।
फिर उसे मूल आकार में वापस बदलते हैं।

यह शॉर्टकट इतना कुशल है कि उनका एल्गोरिदम, LightSBB-M, केवल कुछ गणना चक्रों (लगभग 5 इटरेशन) में समस्या को हल कर देता है, जबकि अन्य तरीकों को बहुत अधिक समय लग सकता है या वे पूरी तरह विफल हो सकते हैं।

उन्होंने क्या परीक्षण किया
टीम ने इस नए गाइड का दो तरीकों से परीक्षण किया:

सिंथेटिक डेटा (द "मैथ" टेस्ट): उन्होंने सरल आकृतियों (जैसे वृत्त और चंद्रमा) और जटिल, बिखरी हुई आकृतियों के बीच डेटा पॉइंट्स को ले जाने की कोशिश की।
- परिणाम: LightSBB-M सबसे सटीक था। इसने डेटा को सबसे कम "डगमगाहट" या त्रुटि (जिसे 2-वॉसरस्टीन दूरी कहा जाता है) के साथ स्थानांतरित किया। इसने पिछले सभी सर्वोत्तम तरीकों को लगभग 19% से पछाड़ दिया।
- हैवी-टेल की जीत: उन्होंने विशेष रूप से एक परिदृश्य का परीक्षण किया जहाँ लक्षित डेटा "हैवी-टेल्ड" (बहुत बिखरा हुआ) था। पुराना "सख्त गाइड" पूरी तरह विफल रहा, जिससे ऐसा नकली डेटा बना जो मौजूद ही नहीं था। LightSBB-M ने इसे पूरी तरह से संभाला।
वास्तविक चित्र (द "फेस" टेस्ट): उन्होंने वयस्कों के चेहरों की तस्वीरों को बच्चों के चेहरों की तस्वीरों में बदलने की कोशिश की।
- परिणाम: नया तरीका चेहरों को वास्तव में बच्चों जैसा दिखाने में बेहतर काम करता है।
- एक समझौता (Trade-off): क्योंकि नया तरीका अधिक लचीला है, इसने चेहरों को पुराने तरीके की तुलना में थोड़ा अधिक बदला। जहाँ पुराना तरीका चेहरे की सटीक संरचना (उच्च पहचान समानता) को बनाए रखता था, वहीं नए तरीके ने ऐसे चेहरे बनाए जो वास्तव में बच्चों जैसे दिखते थे, भले ही वे विशिष्ट वयस्क इनपुट से थोड़े कम मिलते हों। जब आप एक वयस्क को बच्चे में बदलने की कोशिश कर रहे हों, तो यही वांछित परिणाम होता है!

संक्षेप में
LightSBB-M AI जनरेशन के लिए एक नया, तेज़ और अधिक लचीला उपकरण है। यह पहले से मौजूद दो दुनियाओं (दिशा और गति) के सर्वश्रेष्ठ गुणों को एक ही सिस्टम में जोड़ता है। यह विशेष रूप से उस बिखरे हुए, अप्रत्याशित डेटा को संभालने में सक्षम है जिसे पुराने AI मॉडल संभालने में संघर्ष करते हैं, और यह बिना किसी सुपरकंप्यूटर की आवश्यकता के यह सब करता है।

तकनीकी सारांश: LightSBB-M

समस्या विवरण (Problem Statement)

स्टोकेस्टिक प्रक्रियाओं (stochastic processes) के माध्यम से जनरेटिव मॉडलिंग मुख्य रूप से क्लासिकल श्रोडिंगर ब्रिज (Schrödinger Bridge - SB) और डिफ्यूजन मॉडल्स पर निर्भर रही है। SB फॉर्मूलेशन एक नियंत्रित स्टोकेस्टिक डायनेमिक्स का निर्माण करता है जो एक सोर्स डिस्ट्रीब्यूशन $\mu_0$ को टारगेट $\mu_T$ तक पहुँचाने के लिए ब्राउनियन प्रायर (Brownian prior) के सापेक्ष रिलेटिव एंट्रॉपी को कम करता है। हालाँकि, क्लासिकल SB फ्रेमवर्क एक सख्त आवश्यकता लागू करता है: टारगेट डिस्ट्रीब्यूशन का वीनर मेजर (Wiener measure) के सापेक्ष फाईनाइट रिलेटिव एंट्रॉपी होना अनिवार्य है ( $KL(P \| W_\epsilon) < \infty$ )। यह बाधा क्लासिकल SB को हेवी-टेल्ड (heavy-tailed) या सिंगुलर टारगेट डिस्ट्रीब्यूशन के लिए अव्यावहारिक बना देती है, क्योंकि ऐसे मामलों में एंट्रॉपी टर्म डायवर्ज (diverge) हो जाती है।

इसके विपरीत, बास मार्टिंगेल ट्रांसपोर्ट (Bass martingale transport) वोलेटिलिटी (volatility) को ऑप्टिमाइज़ करके लचीलापन प्रदान करता है जबकि एक ज़ीरो-ड्रिफ्ट (zero-drift) बाधा लागू करता है, लेकिन इसमें स्पष्ट ड्रिफ्ट कंट्रोल का अभाव होता है और यह मानक डिफ्यूजन तंत्र से अलग होता है। श्रोडिंगर-बास ब्रिज (SBB) समस्या, जिसे हेनरी-लाबोर्डे एट अल. (2026) द्वारा पेश किया गया था, इन प्रतिमानों (paradigms) को संयुक्त रूप से ड्रिफ्ट और वोलेटिलिटी दोनों को ऑप्टिमाइज़ करके एकीकृत करती है। यह एक ट्यून करने योग्य पैरामीटर $\beta > 0$ पेश करता है जो क्लासिकल SB लिमिट ( $\beta \to \infty$ ) और बास मार्टिंगेल ट्रांसपोर्ट रिजीम ( $\beta \to 0$ ) के बीच इंटरपोलेट करता है। इसके सैद्धांतिक लाभों के बावजूद—विशेष रूप से फाईनाइट-एंट्रॉपी प्रतिबंध के बिना हेवी-टेल्ड टारगेट को संभालने की इसकी क्षमता—SBB समस्या उच्च आयामों (high dimensions) में जटिल स्टोकेस्टिक वोलेटिलिटी और इम्प्लिसिट ट्रांसपोर्ट मैप्स के कारण कम्प्यूटेशनल रूप से कठिन बनी हुई है।

कार्यप्रणाली: LightSBB-M (Methodology: LightSBB-M)

लेखक LightSBB-M का प्रस्ताव करते हैं, जो एक सिमुलेशन-कुशल एल्गोरिदम है जिसे कुछ ही इटरेशन में इष्टतम (optimal) SBB ट्रांसपोर्ट प्लान की गणना करने के लिए डिज़ाइन किया गया है। यह विधि SDE डिस्क्रीटाइजेशन की लागतपूर्ण प्रक्रिया से बचने के लिए इष्टतम ड्रिफ्ट और वोलेटिलिटी के लिए एनालिटिक एक्सप्रेशन प्राप्त करने हेतु SBB ऑब्जेक्टिव के ड्यूल रिप्रेजेंटेशन का लाभ उठाती है।

मुख्य सैद्धांतिक ढांचा (Core Theoretical Framework)

SBB समस्या ड्रिफ्ट $\alpha_t$ और वोलेटिलिटी $\sigma_t$ पर एक क्वाड्रेटिक कॉस्ट $J(P)$ को कम करती है:
$J(P) = \mathbb{E}_P \left[ \int_0^T \left( \|\alpha_t\|^2 + \beta \|\sigma_t - \sqrt{\epsilon}I_d\|^2 \right) dt \right]$
जहाँ $\beta$ , ड्रिफ्ट और वोलेटिलिटी के बीच ट्रेड-ऑफ को नियंत्रित करता है।

लेखक इस समस्या का एक ड्यूल रिप्रेजेंटेशन स्थापित करते हैं। पोटेंशियल $(v, \psi)$ पर लैग्रेंजियन फंक्शनल को मैक्सिमाइज़ करके, वे इष्टतम कंट्रोल्स के लिए स्पष्ट फीडबैक पॉलिसीज निकालते हैं:

इष्टतम ड्रिफ्ट (Optimal Drift): $\alpha^*_t = \nabla_x v^*(t, x)$
इष्टतम वोलेटिलिटी (Optimal Volatility): $\sigma^*_t = \sqrt{\epsilon} \left( I_d - \frac{D^2_x v^*(t, x)}{\beta} \right)^{-1}$

महत्वपूर्ण रूप से, SBB सिस्टम को एक "स्ट्रेच्ड" (stretched) श्रोडिंगर ब्रिज के रूप में देखा जा सकता है। एक ट्रांसफॉर्म्ड प्रोसेस $Y_t = Y_t(X_t)$ को परिभाषित करके, लेखक दिखाते हैं कि $Y_t$ एक ट्रांसफॉर्म्ड स्पेस में कांस्टेंट वोलेटिलिटी $\sqrt{\epsilon}$ के साथ एक स्टैंडर्ड ब्राउनियन मोशन का पालन करता है, जबकि मूल प्रोसेस $X_t$ को एक सीखे गए ट्रांसपोर्ट मैप के माध्यम से रिकवर किया जाता है। यह ट्रांसफॉर्मेशन $X$ -स्पेस में स्टेट-डिपेंडेंट डिफ्यूजन को $Y$ -स्पेस में एक कांस्टेंट-वोलेटिलिटी प्रोसेस में बदल देता है।

एल्गोरिद्मिक कार्यान्वयन (Algorithmic Implementation)

LightSBB-M एल्गोरिदम (एल्गोरिदम 1) एक अल्टरनेटिंग ऑप्टिमाइजेशन प्रक्रिया के माध्यम से संचालित होता है:

ट्रांसपोर्ट मैप लर्निंग: एक न्यूरल नेटवर्क $Z_{\tilde{\theta}}$ को इनवर्स ट्रांसपोर्ट मैप $Y_t = Z_{\tilde{\theta}}(t, X_t)$ को एप्रोक्सिमेट करने के लिए प्रशिक्षित किया जाता है, जो प्रभावी रूप से मूल स्पेस से कांस्टेंट-वोलेटिलिटी $Y$ -स्पेस में मैपिंग सीखता है।
ड्रिफ्ट लर्निंग: लाइटSB-M से प्रेरित गॉसियन-मिक्सचर पैरामीट्राइजेशन का उपयोग करते हुए, एल्गोरिदम डैनोइजिंग स्कोर मैचिंग लॉस (ब्रिज मैचिंग) को मिनिमाइज़ करके $Y$ -स्पेस में स्कोर-ड्रिफ्ट $s_\theta$ को सीखता है।
अल्टरनेटिंग अपडेट्स: एल्गोरिदम ड्रिफ्ट पैरामीटर्स $\theta$ (ताकि $Y$ -स्पेस में SB डायनेमिक्स से मेल खा सके) और ट्रांसपोर्ट मैप पैरामीटर्स $\tilde{\theta}$ (ताकि $X$ -स्पेस में एंडपॉइंट्स $\mu_0$ और $\mu_T$ से मेल खा सकें) को अपडेट करने के बीच बारी-बारी से काम करता है।

यह दृष्टिकोण इन्फरेंस के समय सिमुलेशन-फ्री सैंपलिंग की अनुमति देता है। एक बार प्रशिक्षित होने के बाद, आप सीखे गए कपलिंग से $Y_T$ को सैंपल कर सकते हैं और $X_T$ को इनवर्स मैप के माध्यम से रिकवर कर सकते हैं, जिससे $X_t$ के लिए जटिल SDE को सीधे हल करने की आवश्यकता समाप्त हो जाती है।

मुख्य योगदान (Key Contributions)

स्केलेबल SBB सॉल्वर: LightSBB-M का प्रस्ताव, जो एक व्यावहारिक एल्गोरिदम है जो इष्टतम SBB ट्रांसपोर्ट प्लान को कुशलतापूर्वक कंप्यूट करता है, जिससे जॉइंटली सीखे गए ड्रिफ्ट और वोलेटिलिटी के साथ जनरेटिव मॉडलिंग संभव होती है।
एनालिटिक कंट्रोल एक्सप्रेशंस: इष्टतम SBB कंट्रोल्स के स्पष्ट और सुलभ एक्सप्रेशंस का व्युत्पन्न (derivation), जो सिमुलेशन-फ्री सैंपलिंग की सुविधा प्रदान करते हैं और SDE डिस्क्रीटाइजेशन के कम्प्यूटेशनल बोझ से बचाते हैं।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): व्यापक संख्यात्मक प्रयोग जो प्रदर्शित करते हैं कि LightSBB-M सिंथेटिक और हाई-डायमेंशनल रियल-वर्ल्ड डेटासेट पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है, और मौजूदा SB एवं डिफ्यूजन बेसलाइन्स को पछाड़ देता है।

प्रयोगात्मक परिणाम (Experimental Results)

सिंथेटिक डेटासेट्स

लो-डायमेंशनल सिंथेटिक डेटासेट्स (8gaussians, moons) पर, LightSBB-M का मूल्यांकन स्टेट-ऑफ-द-आर्ट SB सॉल्वर्स (जैसे, LightSB-M, DSBM) और फ्लो-बेस्ड मॉडल्स के विरुद्ध किया गया।

प्रदर्शन: LightSBB-M ने सभी बेंचमार्क कार्यों में सबसे कम 2-वॉसरस्टीन डिस्टेंस ( $W_2$ ) प्राप्त किया।
सुधार: इस पद्धति ने बेस्ट SB और डिफ्यूजन बेसलाइन्स की तुलना में ट्रांसपोर्ट सटीकता में औसतन 19% का सुधार दिखाया, साथ ही परिणाम की वेरिएंस (variance) को भी कम किया।
हेवी-टेल्ड हैंडलिंग: एक गॉसियन को स्टूडेंट-टी (Student-t) डिस्ट्रीब्यूशन में ट्रांसपोर्ट करने के प्रयोग में (एक ऐसा मामला जहाँ क्लासिकल SB अनंत एंट्रॉपी के कारण इल-पोस्ड है), LightSBB-M ने टारगेट डिस्ट्रीब्यूशन को सटीक रूप से रिकवर किया, जबकि क्लासिकल SB ने महत्वपूर्ण आर्टिफैक्ट्स और स्प्यूरियस मोड्स (spurious modes) उत्पन्न किए।

रियल-वर्ल्ड एप्लीकेशन: इमेज-टू-इमेज ट्रांसलेशन

इस फ्रेमवर्क को एडवरसेरियल लेटेंट ऑटोएनकोडर (ALAE) के लेटेंट स्पेस के भीतर FFHQ डेटासेट (1024x1024 रेजोल्यूशन) पर अनपेयर्ड इमेज-टू-इमेज ट्रांसलेशन (एडल्ट से चाइल्ड फेस) के लिए लागू किया गया।

एज ट्रांसलेशन (Age Translation): LightSBB-M ने एज ट्रांसलेशन की गुणवत्ता में महत्वपूर्ण सुधार किया। लो नॉइज़ ( $\epsilon=0.1$ ) पर, 18 वर्ष से कम उम्र के अनुमानित चेहरों का प्रतिशत LightSB-M बेसलाइन (41.2% बनाम 20.7%) की तुलना में दोगुना हो गया। उच्च नॉइज़ ( $\epsilon=1$ ) पर, यह मीट्रिक लगभग चार गुना (76.0% बनाम 19.3%) हो गया।
आइडेंटिटी प्रिजर्वेशन: हालांकि LightSBB-M ने LightSB-M की तुलना में आइडेंटिटी सिमिलरिटी (कोसाइन सिमिलरिटी) में मामूली कमी दिखाई, यह मॉडल की विफलता के बजाय वास्तव में अधिक चाइल्ड-लाइक चेहरे बनाने के कारण है।
फिडेलिटी (Fidelity): फ्रेट चेप्टर इंसेप्शन डिस्टेंस (FID) बेसलाइन (20.9 बनाम 21.6) के तुलनीय रहा, जो पुष्टि करता है कि बेहतर विविधता और एज ट्रांसलेशन ने इमेज क्वालिटी से समझौता नहीं किया।
दक्षता (Efficiency): पारंपरिक डिफ्यूजन मॉडल्स के विपरीत, जिन्हें बैकवर्ड-फॉरवर्ड सैंपलिंग की आवश्यकता होती है, LightSBB-M एक सिंगल फॉरवर्ड पास में सैंपल्स जेनरेट करता है, जिससे रिवर्स डिफ्यूजन स्टेप्स से होने वाले एरर संचय (error accumulation) से बचा जा सकता है।

महत्व और दावे (Significance and Claims)

यह पेपर LightSBB-M को ऑप्टिमल ट्रांसपोर्ट थ्योरी और आधुनिक जनरेटिव मॉडलिंग के मिलन बिंदु पर एक महत्वपूर्ण प्रगति के रूप में प्रस्तुत करता है। इसका प्राथमिक महत्व स्टोकेस्टिक-वोलेटिलिटी ट्रांसपोर्ट को बड़े पैमाने पर कम्प्यूटेशनल रूप से सुलभ बनाना है।

लेखक दावा करते हैं कि ड्रिफ्ट और वोलेटिलिटी को संयुक्त रूप से नियंत्रित करके, यह फ्रेमवर्क:

उपयोगिता का विस्तार करता है: यह उन टारगेट डिस्ट्रीब्यूशन को मॉडल कर सकता है जिनमें हेवी टेल्स या सिंगुलैरिटीज हैं, जो फाईनाइट-एंट्रॉपी प्रतिबंधों के कारण क्लासिकल SB मेथड्स के लिए अप्राप्य हैं।
लचीलापन प्रदान करता है: पैरामीटर $\beta$ अभ्यासकर्ताओं को शुद्ध ड्रिफ्ट कंट्रोल (SB) और शुद्ध वोलेटिलिटी कंट्रोल (Bass) के बीच इंटरपोलेट करने, सैंपल डाइवर्सिटी और फिडेलिटी के बीच ट्रेड-ऑफ को ट्यून करने की अनुमति देता है।
प्रदर्शन में सुधार करता है: यह एक स्केलेबल, हाई-फिडेलिटी सॉल्वर प्रदान करता है जो ट्रांसपोर्ट सटीकता और जनरेटिव क्वालिटी दोनों में मौजूदा बेसलाइन्स से बेहतर प्रदर्शन करता है।

लेखक नोट करते हैं कि हालांकि एल्गोरिदम कुछ ही इटरेशन (आमतौर पर 5) में अनुभवजन्य रूप से अभिसरण (converge) होता है, लेकिन बाहरी अल्टरनेटिंग लूप के लिए एक औपचारिक अभिसरण प्रमाण अभी भी एक खुला सैद्धांतिक प्रश्न है। वे सुझाव देते हैं कि भविष्य के कार्य इटरेशन-कॉम्प्लेक्सिटी बाउंड्स को टाइट करने और हेटेरोस्केडास्टिसिटी (heteroskedasticity) वाले टाइम-सीरीज डेटा तक फ्रेमवर्क का विस्तार करने पर केंद्रित हो सकते हैं।