📊 statistics

Neural Wasserstein Two-Sample Tests

यह शोध पत्र उच्च-आयामी दो-नमूना समरूपता (two-sample homogeneity) के लिए एक न्यूरल वासरस्टीन टेस्ट (Wasserstein test) प्रस्तावित करता है जो डीप न्यूरल नेटवर्क और मैनिफोल्ड ऑप्टिमाइज़ेशन के माध्यम से इष्टतम निम्न-आयामी प्रक्षेपों (low-dimensional projections) को सीखता है, अज्ञात विरलता (sparsity) के अनुकूल होने के लिए सांख्यिकी को एकत्रित करता है, और बिना पुनर्संरचना (resampling) के स्पर्शोन्मुख पिवोटल अंशांकन (asymptotically pivotal calibration) प्राप्त करता है।

मूल लेखक: Xiaoyu Hu, Zhenhua Lin

प्रकाशित 2026-01-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaoyu Hu, Zhenhua Lin

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 रहस्य सुलझाने की कोशिश कर रहे हैं: क्या लोगों के दो समूह वास्तव में एक ही पड़ोस से हैं, या वे दो अलग-अलग पड़ोसों से हैं?

सांख्यिकी (statistics) में, इसे "टू-सैंपल टेस्ट" (two-sample test) कहा जाता है। आपके पास ग्रुप A से डेटा का एक ढेर है और ग्रुप B से भी एक ढेर है। आपका काम यह पता लगाना है कि क्या उन्हें एक ही मूल स्रोत से लिया गया है या वे मौलिक रूप से भिन्न हैं।

यह तब अविश्वसनीय रूप से कठिन हो जाता है जब डेटा हाई-डायमेंशनल (high-dimensional) हो। कल्पना कीजिए कि आप केवल घरों के रंग को देखकर नहीं, बल्कि प्रत्येक घर के लिए 500 अलग-अलग विशेषताओं को देखकर दो पड़ोसों की तुलना करने की कोशिश कर रहे हैं (खिड़कियों की संख्या, छत का प्रकार, प्लंबिंग की उम्र, पर्दों का रंग, टोस्टर का ब्रांड, आदि)। ऐसे विशाल और जटिल परिदृश्यों में, पुराने ज़माने के जासूसी उपकरण विफल हो जाते हैं। वे शोर (noise) की भारी मात्रा से भ्रमित हो जाते हैं और उन सूक्ष्म अंतरों को पकड़ने में चूक जाते हैं जो वास्तव में मायने रखते हैं।

यह पेपर एक नया, सुपर-पावर्ड जासूसी टूल पेश करता है जिसे न्यूरल वासरस्टीन टेस्ट (Neural Wasserstein Test) कहा जाता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. सब कुछ एक साथ देखने की समस्या

जब आपके पास 500 विशेषताएं होती हैं, तो दो समूहों के बीच की "दूरी" अक्सर वैसी ही दिखती है जैसी कि वे वास्तव में कितनी भी अलग क्यों न हों। यह एक तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है; शोर वास्तविक संकेत (signal) को दबा देता है।

लेखकों ने महसूस किया कि आमतौर पर, दो समूहों के बीच का अंतर सभी 500 विशेषताओं में नहीं होता है। इसके बजाय, अंतर एक लो-डायमेंशनल प्रोजेक्शन (low-dimensional projection) में छिपा होता है। इसे ऐसे सोचें: यदि आपके पास धुएं के दो बादल हैं जो सामने से बिल्कुल एक जैसे दिखते हैं, लेकिन एक वास्तव में एक "स्मोक रिंग" (धुएं का छल्ला) है और दूसरा एक "स्मोक क्लाउड" (धुएं का बादल) है, तो वे एक कोण से एक जैसे दिख सकते हैं लेकिन दूसरे कोण से बहुत अलग। आपको बस देखने के लिए सही कोण ढूंढने की आवश्यकता है।

2. "स्मार्ट लेंस" (न्यूरल नेटवर्क)

इस पेपर का मुख्य नवाचार एक विधि है जो स्वचालित रूप से उस सटीक कोण को खोजने के लिए एक "स्मार्ट लेंस" के रूप में कार्य करती है।

लेंस: वे एक डीप न्यूरल नेटवर्क (एक प्रकार का AI) का उपयोग करते हैं जो एक "स्मार्ट लेंस" के रूप में कार्य करता है।
मिशन: AI दो चीजें एक साथ सीखने की कोशिश करता है:
1. कोण (The Angle): हमें अंतर देखने के लिए डेटा को किस दिशा में प्रोजेक्ट करना चाहिए? (गणितीय रूप से, यह एक "स्टिफेल मैनिफोल्ड" (Stiefel manifold) पर एक वेक्टर खोजने जैसा है, जो केवल एक विशेष सेट ऑफ डायरेक्शन्स कहने का एक फैंसी तरीका है)।
2. गवाह (The Witness): एक बार जब डेटा को उस कोण के माध्यम से प्रोजेक्ट कर दिया जाता है, तो AI एक ऐसा फंक्शन (एक "विटनेस") सीखता है जो दो समूहों के बीच सबसे अच्छी तरह अंतर कर सके। यह एक जज को प्रशिक्षित करने जैसा है जो प्रोजेक्ट किए गए डेटा को देखे और कहे, "यह निश्चित रूप से ग्रुप A से है, और वह ग्रुप B से है।"

लेखक सैंपल स्प्लिटिंग (sample splitting) नामक एक चतुर तकनीक का उपयोग करते हैं। वे अपने डेटा के आधे हिस्से का उपयोग AI को "प्रशिक्षित" करने के लिए करते हैं ताकि वह सबसे अच्छा कोण और विटनेस खोज सके, और दूसरे आधे हिस्से का उपयोग वास्तव में परीक्षण चलाने के लिए किया जाता है। यह AI को डेटा को रटने और धोखाधड़ी करने से रोकता है।

3. "मैक्स-स्टैट" रणनीति (कोई ट्यूनिंग आवश्यक नहीं)

आमतौर पर, इन परीक्षणों को काम करने के लिए, आपको सही सेटिंग्स का अनुमान लगाना पड़ता है (जैसे "हमें कितनी विशेषताओं को देखना चाहिए?" या "समाधान कितना स्पार्स होना चाहिए?")। यदि आप गलत अनुमान लगाते हैं, तो आपका परीक्षण विफल हो जाता है।

लेखक कहते हैं, "अनुमान क्यों लगाएं?" इसके बजाय, वे अलग-अलग सेटिंग्स (अलग-अलग कोण, स्पर्सिटी के विभिन्न स्तर) के साथ इस परीक्षण को कई बार चलाते हैं। फिर, वे उन सभी प्रयासों में से अधिकतम (maximum) परिणाम लेते हैं।

उपमा: कल्पना कीजिए कि आप एक अंधेरे कमरे में खोई हुई चाबी खोजने की कोशिश कर रहे हैं। यह अनुमान लगाने के बजाय कि वह किस दराज में है, आप हर दराज की जांच करते हैं। यदि आपको उनमें से किसी में भी चाबी मिल जाती है, तो आप जीत जाते हैं। इन सभी प्रयासों में से "अधिकतम" सिग्नल को लेकर, यह परीक्षण ट्यूनिंग-फ्री (tuning-free) बन जाता है। आपको पहले से ही सटीक सेटिंग्स जानने की आवश्यकता नहीं है; यह विधि डेटा के सामने आने वाली किसी भी स्थिति के अनुकूल हो जाती है।

4. जादुई परिणाम: रीसैंपलिंग की आवश्यकता नहीं

अधिकांश आधुनिक सांख्यिकीय परीक्षण यह पता लगाने के लिए कि उनका परिणाम कितना महत्वपूर्ण है, परम्यूटेशन (permutation) या बूटस्ट्रैपिंग (bootstrapping) विधि का उपयोग करते हैं। यह कंप्यूटर पर प्रयोग को 1,000 बार चलाने जैसा है ताकि यह देखा जा सके कि संयोग से क्या होता है। यह सटीक है लेकिन धीमा और गणनात्मक रूप से महंगा है।

लेखकों ने गणितीय रूप से सिद्ध किया है कि उनका टेस्ट स्टैटिस्टिक एक बहुत ही विशिष्ट, अनुमानित पैटर्न (एक मानक गौसियन वेक्टर का पूर्ण अधिकतम) का पालन करता है।

उपमा: क्योंकि वे गणितीय रूप से जानते हैं कि "शोर" कैसा दिखता है, उन्हें यह पता लगाने के लिए प्रयोग को 1,000 बार चलाने की आवश्यकता नहीं है कि क्या होता है। वे बस एक पूर्व-निर्धारित मानचित्र देख सकते हैं। यह इस परीक्षण को अत्यधिक तेज़ और स्केलेबल बनाता है, यहाँ तक कि विशाल डेटासेट के लिए भी।

5. वास्तविक दुनिया का प्रमाण

लेखकों ने अपने तरीके का परीक्षण किया:

सिम्युलेटेड डेटा (Simulated Data): उन्होंने काल्पनिक हाई-डायमेंशनल परिदृश्य बनाए जहाँ समूह सूक्ष्म रूप से भिन्न थे। उनके तरीके ने मौजूदा तरीकों (जैसे MMD या एनर्जी डिस्टेंस) की तुलना में अंतर को बहुत बेहतर ढंग से पाया, जो अक्सर शोर में खो जाते हैं।
वास्तविक डेटा (Real Data): उन्होंने इसे कैंसर जीनोमिक्स पर लागू किया। उन्होंने दो प्रकार के ब्रेन ट्यूमर: लोअर ग्रेड ग्लियोमा (LGG) और ग्लियोब्लास्टोमा (GBM) के बीच DNA मिथाइलेशन पैटर्न (DNA पर रासायनिक टैग) की तुलना की।
- परिणाम: परीक्षण ने दोनों समूहों के बीच एक महत्वपूर्ण अंतर की पुष्टि की (p-value < 0.001)।
- अंतर्दृष्टि: उन्होंने पाया कि GBM ट्यूमर में LGG की तुलना में औसत मिथाइलेशन स्तर और एक "स्पार्सर" कोवेरिएंस संरचना (जीनों के बीच कम संबंध) थी। यह मौजूदा चिकित्सा ज्ञान के अनुरूप है कि ये ट्यूमर जैविक रूप से अलग हैं।

सारांश

न्यूरल वासरस्टीन टेस्ट एक नया सांख्यिकीय उपकरण है जो AI का उपयोग करके स्वचालित रूप से दो जटिल डेटा समूहों की तुलना करने का सबसे अच्छा तरीका खोजता है। यह उबाऊ मैनुअल ट्यूनिंग की आवश्यकता को समाप्त करता है, पारंपरिक तरीकों की तुलना में बहुत तेज़ी से चलता है क्योंकि इसे हजारों यादृच्छिक परिदृश्यों का अनुकरण करने की आवश्यकता नहीं होती है, और यह आधुनिक जेनेटिक्स में पाए जाने वाले विशाल, हाई-डायमेंशनल डेटासेट में सूक्ष्म अंतर का पता लगाने के लिए पर्याप्त शक्तिशाली है।

तकनीकी सारांश: न्यूरल वासरस्टीन टू-सैंपल टेस्ट्स (Neural Wasserstein Two-Sample Tests)

समस्या विवरण
यह शोध पत्र टू-सैंपल होमोजेनिटी टेस्टिंग (homogeneity testing) की समस्या को संबोधित करता है, जिसका उद्देश्य यह निर्धारित करना है कि क्या दो स्वतंत्र नमूने (samples) एक ही वितरण (distribution) से उत्पन्न हुए हैं। यह कार्य उच्च-आयामी (high-dimensional) परिवेश में विशेष रूप से चुनौतीपूर्ण हो जाता है जहाँ शास्त्रीय परीक्षण अक्सर पर्याप्त शक्ति (power) खो देते हैं। जबकि कर्नेल-आधारित विधियाँ (जैसे, मैक्सिमम मीन डिस्क्रिपेंसी, MMD) लोकप्रिय हैं, वे उच्च आयामों में अंतर्निहित सीमाओं का सामना करती हैं, जिसमें निष्पक्ष विकल्पों (fair alternatives) के तहत तीव्र शक्ति ह्रास और आयाम एवं नमूना आकार दोनों से जुड़े जटिल स्पर्शोन्मुख (asymptotic) परिदृश्यों पर निर्भरता शामिल है। इसके विपरीत, जबकि वासरस्टीन दूरी (Wasserstein distance) वितरण संबंधी ज्यामिति को संरक्षित करती है, इसका प्रत्यक्ष अनुप्रयोग 'डायमेंशनलिटी के अभिशाप' (curse of dimensionality) द्वारा बाधित होता है, जिससे अभिसरण दर (convergence rates) धीमी हो जाती है। मौजूदा प्रोजेक्शन-आधारित वासरस्टीन विधियाँ अक्सर एकल प्रोजेक्शन पर निर्भर करती हैं या p-वैल्यू को कैलिब्रेट करने के लिए गणनात्मक रूप से महंगे पुनर्मूल्यांकन (परम्यूटेशन/बूटस्ट्रैपिंग) की आवश्यकता होती है।

कार्यप्रणाली (Methodology)
लेखक "न्यूरल वासरस्टीन टेस्ट" का प्रस्ताव करते हैं, जो प्रोजेक्शन 1-वासरस्टीन दूरी पर आधारित एक लर्निंग-असिस्टेड प्रक्रिया है। मुख्य कार्यप्रणाली कांतोरोविच–रुबिनstein द्वैत (Kantorovich–Rubinstein duality) का लाभ उठाती है ताकि प्रोजेक्शन वासरस्टीन दूरी को 1-लिप्सचिट्ज (1-Lipschitz) फलनों और प्रोजेक्शन दिशाओं के सुप्रीमकम (supremum) के रूप में व्यक्त किया जा सके।

इस प्रक्रिया में निम्नलिखित प्रमुख घटक शामिल हैं:

डेटा विभाजन (Data Splitting): अनुमान (estimation) और परीक्षण (testing) के बीच निर्भरता को अलग करने के लिए, डेटासेट को एक प्रशिक्षण उपसमूह ( $D_{fit}$ ) और एक परीक्षण उपसमूह ( $D_{test}$ ) में विभाजित किया जाता है।
दो-चरणीय अनुमान (Two-Step Estimation):
- चरण 1 (प्रोजेक्शन दिशाएँ): $D_{fit}$ पर, विधि स्टिफेल मैनिफोल्ड (Stiefel manifold) $S_{d,k}$ पर विभेदक प्रोजेक्शन दिशाएँ $U$ सीखती है। अज्ञात स्पर्सिटी (sparsity) स्तरों के अनुकूल होने के लिए, लेखक अनरेगुलराइज्ड अनुमान और $\ell_1$ एवं $\ell_0$ स्पर्सिटी बाधाओं के तहत अनुमान दोनों पर विचार करते हैं। यह अनुकूलन मैनिफोल्ड ऑप्टिमाइज़ेशन के लिए प्रॉक्सिमल ग्रेडिएंट मेथड (ManPG) का उपयोग करके किया जाता है।
- चरण 2 (विटनेस फंक्शन): अनुमानित प्रोजेक्शन $\hat{U}$ का उपयोग करते हुए, अनुमानित डेटा पर डीप न्यूरल नेटवर्क्स (DNNs) के साथ एक 1-लिप्सचिट्ज विटनेस फंक्शन $f$ को सीखा जाता है, जिसमें ReLU एक्टिवेशन फंक्शन का उपयोग किया जाता है। नेटवर्क आर्किटेक्चर को पर्याप्त एप्रोक्सीमेशन पावर सुनिश्चित करने के लिए नमूना आकार के साथ बढ़ने के लिए डिज़ाइन किया गया है।
मैक्स-टाइप एग्रीगेशन (Max-Type Aggregation): प्रोजेक्शन आयाम $k$ और स्पर्सिटी पैरामीटर्स (रेगुलराइजेशन स्ट्रेंथ) के सूक्ष्म ट्यूनिंग से बचने के लिए, विधि हाइपरपैरामीटर के एक उम्मीदवार सेट पर सांख्यिकी को एकत्रित (aggregate) करती है। एक मैक्स-टाइप टेस्ट स्टैटिस्टिक का निर्माण सभी संभावित कॉन्फ़िगरेशनों में मानकीकृत सांख्यिकी के परम मान (maximum absolute value) को लेकर किया जाता है।
पिवोटल कैलिब्रेशन (Pivotal Calibration): परम्यूटेशन-आधारित दृष्टिकोणों के विपरीत, प्रस्तावित टेस्ट स्टैटिस्टिक का एक पिवोटल लिमिटिंग नल डिस्ट्रीब्यूशन (limiting null distribution) होता है। विशेष रूप से, नल हाइपोथेसिस के तहत, एकत्रित स्टैटिस्टिक एक मानक गौसियन वेक्टर के परम मान की ओर अभिसरित होता है। यह बिना रिसैंपलिंग के स्पर्शोन्मुख कैलिब्रेशन की अनुमति देता है।

प्रमुख योगदान

प्रोजेक्शन वासरस्टीन दूरी का न्यूरल एप्रोक्सीमेशन: यह शोध पत्र एक ऐसा ढांचा पेश करता है जो प्रोजेक्शन दिशाओं के लिए मैनिफोल्ड ऑप्टिमाइज़ेशन को प्रोजेक्शन वासरस्टीन दूरी के इष्टतम 1-लिप्सचिट्ज विटनेस फंक्शन को अनुमानित करने के लिए डीप न्यूरल नेटवर्क्स के साथ जोड़ता है। यह रणनीति द्वैत सूत्र (duality formula) में सुप्रीमकम का प्रभावी ढंग से अनुमान लगाती है।
ट्यूनिंग-मुक्त अनुकूलनशीलता (Tuning-Free Adaptivity): प्रोजेक्शन आयामों और स्पर्सिटी पैरामीटर्स के एक उम्मीदवार सेट पर मैक्स-टाइप एग्रीगेशन का उपयोग करके, विधि स्पष्ट पैरामीटर चयन की आवश्यकता के बिना अज्ञात प्रोजेक्शन आयामों और स्पर्सिटी स्तरों के अनुकूल होती है, जिससे शक्ति (power) में सुधार होता है और पद्धतिगत जटिलता कम होती है।
स्पर्शोन्मुख वितरण-मुक्त वैधता (Asymptotic Distribution-Free Validity): लेखक टेस्ट स्टैटिस्टिक के गौसियन एप्रोक्सीमेशन के लिए बेरी-एसेन्स (Berry–Esseen) प्रकार के बाउंड स्थापित करते हैं। महत्वपूर्ण रूप से, लिमिटिंग नल डिस्ट्रीब्यूशन पिवोटल (वितरण-मुक्त) है, जो परिवेशी आयाम $d$ या अंतर्निहित जनसंख्या वितरण के बजाय केवल उम्मीदवार सेट के आयाम पर निर्भर करता है। यह स्टूडेंटाइज्ड MMD टेस्ट के विपरीत है, जिनके लिमिट्स डाइमेंशन और नमूना आकार के बढ़ते हुए रिजीम पर निर्भर करते हैं।
गणना दक्षता (Computational Efficiency): टेस्ट स्टैटिस्टिक की पिवोटल प्रकृति रिसैंपलिंग विधियों (परम्यूटेशन या बूटस्ट्रैप) की आवश्यकता को समाप्त करती है, जो पर्याप्त गणना बचत प्रदान करती है।

परिणाम

सैद्धांतिक गारंटी: यह शोध पत्र प्रस्तावित परीक्षण की वैधता और निरंतरता (consistency) को सिद्ध करता है। नल हाइपोथेसिस के तहत, टेस्ट स्टैटिस्टिक $Z \sim N(0, I_m)$ के $\max_{j} |Z_j|$ की ओर अभिसरित होता है। पावर विश्लेषण दर्शाता है कि परीक्षण तब सुसंगत (consistent) है जब सिग्नल (प्रोजेक्शन वासरस्टीन दूरी द्वारा मापा गया) एक विशिष्ट थ्रेशोल्ड से अधिक होता है जो नमूना आकार, आयाम और नेटवर्क जटिलता पर निर्भर करता है।
सिमुलेशन अध्ययन: चार मॉडलों (मीन शिफ्ट, वेरिएंस शिफ्ट, विभिन्न मार्जिनल्स, और विभिन्न जॉइंट डिस्ट्रीब्यूशंस) में व्यापक सिमुलेशन दिखाते हैं कि प्रस्तावित विधि मौजूदा दृष्टिकोणों, जिनमें MMD, डीप कर्नेल्स के साथ MMD, एनर्जी डिस्टेंस, कर्नेल फिशर डिस्क्रिमिनांट एनालिसिस (KFDA), और मानक प्रोजेक्टेड वासरस्टीन टेस्ट शामिल हैं, को लगातार पीछे छोड़ देती है। विशेष रूप से, प्रस्तावित विधि आयाम बढ़ने के साथ उच्च शक्ति बनाए रखती है, जबकि प्रतिस्पर्धी अक्सर तीव्र शक्ति ह्रास प्रदर्शित करते हैं।
वास्तविक डेटा अनुप्रयोग: इस विधि को लोअर ग्रेड ग्लियोमा (LGG) और ग्लियोब्लास्टोमा मल्टीफॉर्म (GBM) के बीच अंतर करने के लिए द कैंसर जीनोम अट्लास (TCGA) के DNA मिथाइलेशन डेटा पर लागू किया गया था। परीक्षण ने समूहों के बीच महत्वपूर्ण अंतर का पता लगाया (p-value < 0.001), जो मौजूदा जैविक साहित्य के अनुरूप है, और माध्य (mean) एवं कोवेरिएंस संरचनाओं में विशिष्ट पैटर्न को प्रकट किया।

महत्व और दावे
शोध पत्र का दावा है कि न्यूरल वासरस्टीन टेस्ट, सीखे गए प्रोजेक्शन और डीप लर्निंग के माध्यम से डायमेंशनलिटी के अभिशाप को प्रभावी ढंग से कम करके, उच्च-आयामी टू-सैंपल टेस्टिंग के लिए एक मजबूत समाधान प्रदान करता है। इसका महत्व तीन मुख्य क्षेत्रों में है:

स्केलेबिलिटी (Scalability): पिवोटल लिमिटिंग डिस्ट्रीब्यूशन रिसैंपलिंग को दरकिनार करके स्केलेबल गणना सक्षम बनाता है, जो उच्च-आयामी परम्यूटेशन टेस्ट में एक बड़ी बाधा है।
आयाम के प्रति मजबूती (Robustness to Dimension): विधि का प्रदर्शन बढ़ता हुआ आयाम के साथ महत्वपूर्ण रूप से खराब नहीं होता है, जैसा कि कर्नेल-आधारित विधियों के साथ होता है जो अक्सर उच्च-आयामी रिजीम में शक्ति खो देते हैं।
अनुकूलनशीलता (Adaptivity): मैक्स-टाइप एग्रीगेशन रणनीति महत्वपूर्ण हाइपरपैरामीटर्स (प्रोजेक्शन आयाम और स्पर्सिटी) के लिए मैनुअल ट्यूनिंग की आवश्यकता को हटा देती है, जिससे विधि अधिक व्यावहारिक और उपयोगकर्ता विनिर्देश के प्रति कम संवेदनशील हो जाती है।

लेखक स्वीकार करते हैं कि जबकि डेटा स्प्लिटिंग वैध निष्कर्ष सुनिश्चित करती है, यह अनुमान के लिए प्रभावी नमूना आकार को कम कर देती है। वे नोट करते हैं कि क्या इस नुकसान को उच्च-आयामी मॉडलों में अपरिहार्य माना जाना चाहिए, यह भविष्य के अनुसंधान के लिए एक खुला प्रश्न है। यह विधि विटनेस फंक्शन को अनुमानित करने के लिए न्यूरल नेटवर्क्स की अभिव्यंजक शक्ति और विभेदक दिशाओं को खोजने के लिए मैनिफोल्ड ऑप्टिमाइज़ेशन की क्षमता पर निर्भर करती है, जो यह प्रदर्शित करती है कि इन उपकरणों को कठोर सांख्यिकीय परीक्षण ढांचों में सफलतापूर्वक एकीकृत किया जा सकता है।