📊 statistics

Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model

यह शोध पत्र एक अर्ध-प्राचलिक डोमेन-परिवर्तनीय गुणांक मॉडल (semiparametric domain-varying coefficient model) और एक गणनात्मक रूप से कुशल, अनुकूलन योग्य स्थानांतरण शिक्षण अनुमानक (adaptive transfer learning estimator) प्रस्तावित करता है जो सूचनात्मक स्रोत डोमेनों का चुनिंदा रूप से लाभ उठाकर और क्रॉस-डोमेन विषमता के कारण होने वाले नकारात्मक स्थानांतरण से कड़ाई से सुरक्षा करते हुए मिनीमैक्स इष्टतमता (minimax optimality) और वैध अनिश्चितता परिमाणीकरण प्राप्त करता है।

मूल लेखक: Hanxiao Chen, Debarghya Mukherjee

प्रकाशित 2026-02-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hanxiao Chen, Debarghya Mukherjee

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 अपने विशिष्ट शहर (लक्ष्य डोमेन - Target Domain) में मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास अपने शहर का बहुत सारा डेटा है, लेकिन शायद कल के पूर्वानुमान के बारे में 100% निश्चित होने के लिए पर्याप्त नहीं है। हालाँकि, आपके पास पड़ोसी शहरों, उसी राज्य के अन्य शहरों और यहाँ तक कि दूर के क्षेत्रों (स्रोत डोमेन - Source Domains) का भी मौसम डेटा उपलब्ध है।

बड़ा सवाल यह है: क्या आपको उन अन्य स्थानों के डेटा का उपयोग करने के लिए उनका सहारा लेना चाहिए?

यदि आप उन्हें अनदेखा कर देते हैं, तो आप मददगार पैटर्न को मिस कर सकते हैं।
यदि आप सभी डेटा को बिना सोचे-समझे मिला देते हैं, तो आप भ्रमित हो सकते हैं। उदाहरण के लिए, मिनेसोटा में बर्फबारी की भविष्यवाणी करने के लिए उष्णकटिबंधीय द्वीप (tropical island) के डेटा का उपयोग करना आपकी भविष्यवाणी को बहुत खराब बना सकता है। इसे "नेगेटिव ट्रांसफर" (Negative Transfer) कहा जाता है—बाहरी मदद लेना जो वास्तव में आपके प्रदर्शन को नुकसान पहुँचाती है।

यह पेपर इस समस्या का एक स्मार्ट, "गोल्डिलॉक्स" (Goldilocks) समाधान प्रस्तावित करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: "एक ही आकार सबके लिए" (One-Size-Fits-All) का जाल

पारंपरिक तरीके अक्सर सभी डेटा को एक जैसा दिखाने की कोशिश करते हैं। वे यह मान लेते हैं कि दुनिया के नियम हर जगह समान हैं। लेकिन वास्तव में, चीजें बदलती रहती हैं।

उपमा: कल्पना कीजिए कि आप एक छात्र को गाड़ी चलाना सिखा रहे हैं। यदि आप किसी ऐसे व्यक्ति को सिखाने के लिए मैनुअल ट्रांसमिशन कार (स्रोत) का उपयोग करते हैं जिसे ऑटोमैटिक कार चलानी है (लक्ष्य), तो आप उसे भ्रमित कर सकते हैं। यदि आप केवल "एक प्रो की तरह चलाओ" कहते हैं और कार के प्रकार के अनुसार समायोजन नहीं करते हैं, तो छात्र दुर्घटनाग्रस्त हो सकता है।
पेपर का अंतर्दृष्टि (Insight): "कारण" (कोवेरिएट्स जैसे गति, बारिश, समय) और "प्रभाव" (प्रतिक्रिया जैसे दुर्घटना का जोखिम) के बीच का संबंध एक स्थान से दूसरे स्थान पर जाने पर सुचारू रूप से बदलता है। यह कोई अचानक बदलाव नहीं है; यह एक क्रमिक बदलाव (gradient) है।

2. समाधान: "स्लाइडिंग स्केल" मैप

लेखक एक डोमेन-वेरिंग कोएफिशिएंट मॉडल (Domain-Varying Coefficient Model - DVCM) पेश करते हैं।

रूपक: एक ऐसे मानचित्र के बारे में सोचें जहाँ "सड़क के नियम" स्थिर नहीं हैं। इसके बजाय, कल्पना करें कि नियम एक लंबे, लचीले रूलर (पटरी) पर लिखे गए हैं। जैसे-जैसे आप अपने शहर से पड़ोसी शहर की ओर रूलर को खिसकाते हैं, नियम थोड़े और सुचारू रूप से बदलते हैं।
यह कैसे काम करता है: वे एक "डोमेन आइडेंटिफायर" (जैसे ज़िप कोड, वर्ष, या अस्पताल आईडी) का उपयोग करते हैं ताकि यह पता चल सके कि आप इस रूलर पर कहाँ हैं। यह उन्हें यह देखने की अनुमति देता है कि शहर A का मौसम शहर B के बहुत समान है, लेकिन शहर C से अलग है।

3. दो-चरणीय "स्मार्ट शेफ" रेसिपी

पेपर एक विशिष्ट एल्गोरिदम (कंप्यूटर के लिए रेसिपी) प्रस्तावित करता है जो एक बहुत ही सतर्क, स्मार्ट शेफ की तरह कार्य करता है।

चरण 1: "संग्रहकर्ता" (Non-parametric Pilot)
शेफ पहले सभी पड़ोसी शहरों को देखता है और सभी के डेटा के आधार पर एक "सर्वश्रेष्ठ अनुमान" बनाता है, लेकिन उन शहरों को अधिक महत्व देता है जो भौगोलिक या संदर्भगत रूप से सबसे करीब हैं।

जोखिम: यदि पड़ोसी बहुत अलग हैं (जैसे, रेगिस्तान के डेटा का उपयोग वर्षावन के लिए करने की कोशिश करना), तो यह "सर्वश्रेष्ठ अनुमान" गलत हो सकता है।

चरण 2: "परिष्कृत करने वाला" (Adaptive Fine-Tuning)
अब, शेफ अपने स्थानीय डेटा (लक्ष्य) को देखता है। वे "संग्रहकर्ता" के अनुमान को लेते हैं और उसे अपने स्थानीय अवलोकनों के साथ मिलाते हैं।

जादुई ट्रिक: मिलाने का अनुपात अनुकूली (adaptive) है।
- यदि पड़ोसी बहुत समान हैं, तो शेफ "संग्रहकर्ता" पर बहुत अधिक भरोसा करता है।
- यदि पड़ोसी बहुत अलग हैं, तो शेफ उन्हें अनदेखा कर देता है और मुख्य रूप से अपने स्थानीय डेटा पर भरोसा करता है।
- महत्वपूर्ण रूप से: गणित यह गारंटी देता है कि शेफ पड़ोसियों पर इतना भरोसा कभी नहीं करेगा कि परिणाम केवल अपने स्थानीय डेटा का उपयोग करने की तुलना में बदतर हो जाए। यह बुरे सुझावों के खिलाफ एक "सुरक्षा जाल" (safety net) है।

4. यह क्यों एक बड़ी बात है (The "Minimax" Guarantee)

सांख्यिकी की दुनिया में, "मिनिमैक्स ऑप्टिमल" (Minimax Optimal) एक फैंसी तरीका है यह कहने का: "यह सबसे अच्छा संभव रणनीति है जो आपके पास हो सकती है, यहाँ तक कि सबसे खराब स्थिति में भी।"

लेखकों ने गणितीय रूप से सिद्ध किया कि उनका तरीका:

चीजों को बदतर नहीं बनाता: यह असंभव है कि यह विधि केवल बाहरी डेटा को अनदेखा करने की तुलना में खराब प्रदर्शन करे।
सर्वश्रेष्ठ संभव गति प्राप्त करता है: यदि बाहरी डेटा वास्तव में सहायक है, तो यह विधि भौतिक रूप से संभव जितनी तेज़ी से सीखती है।
जानता है कि कब रुकना है: यह स्वचालित रूप से पता लगा लेता है कि बाहरी डेटा बहुत शोर वाला या अप्रासंगिक है और इसका उपयोग करना बंद कर देता है।

5. वास्तविक दुनिया का परीक्षण

लेखकों ने केवल कागज पर गणित नहीं किया। उन्होंने इसका परीक्षण किया:

सिम्युलेटेड डेटा: नकली दुनिया बनाना जहाँ वे उत्तर जानते थे ताकि यह देख सकें कि क्या उनकी विधि उसे ढूंढ पाती है।
वास्तविक डेटा:
- अमेरिकी आय डेटा: यह भविष्यवाणी करना कि क्या कोई व्यक्ति आयु, शिक्षा और लिंग के आधार पर $50k से अधिक कमाता है। उन्होंने "रोजगार के वर्षों" को स्लाइडिंग स्केल के रूप में माना।
- ओंटारियो श्रम डेटा: प्रति घंटा मजदूरी की भविष्यवाणी करना।

दोनों मामलों में, उनके "स्मार्ट शेफ" पद्धति ने मानक तरीकों से बेहतर प्रदर्शन किया, विशेष रूप से उन कठिन स्थितियों में जहाँ कुछ डेटा सहायक था और कुछ नहीं।

सारांश

यह पेपर "क्या मुझे बाहरी मदद लेनी चाहिए?" के द्वंद्व को हल करता है, एक ऐसी प्रणाली बनाकर जो:

मैप करती है कि विभिन्न वातावरण एक-दूसरे से कैसे संबंधित हैं।
बाहरी मदद को स्थानीय डेटा के साथ इस तरह से मिलाती (blend) है कि वह सुरक्षित (कभी नुकसान नहीं पहुँचाती) और स्मार्ट (जब भी संभव हो हमेशा मदद करती है) हो।
गणितीय रूप से सिद्ध करती है कि यह कई स्रोतों से सीखने का सबसे कुशल तरीका है।

यह एक ऐसे GPS की तरह है जो जानता है कि कब अन्य शहरों से ट्रैफिक रिपोर्ट सुननी है और कब आपको घर पहुँचने के सबसे तेज़ रास्ते पर बनाए रखने के लिए उन्हें अनदेखा करना है।

यहाँ हनक्सियाओ चेन और देबरघ्या मुखर्जी के शोध पत्र "Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन स्थितियों में ट्रांसफर लर्निंग (transfer learning) की चुनौती को संबोधित करता है जहाँ डेटा कई विषम वातावरणों (डोमेन) में एकत्र किया जाता है। मुख्य कठिनाई कंडीशनल डिस्ट्रीब्यूशनल ड्रिफ्ट (conditional distributional-drift) में निहित है: सह-चरों ( $X$ ) और प्रतिक्रियाओं ( $Y$ ) के बीच का संबंध डोमेन पहचानकर्ता $U$ द्वारा अनुक्रमित (indexed) विभिन्न डोमेनों में व्यवस्थित रूप से बदलता है।

लक्ष्य: $K$ सोर्स डोमेन (source domains) से डेटा का लाभ उठाकर एक विशिष्ट टारगेट डोमेन ( $u_0$ ) के लिए अनुमान (inference) में सुधार करना।
चुनौतियाँ:
- नेगेटिव ट्रांसफर (Negative Transfer): असंबंधित सोर्स डोमेन से डेटा को बिना सोचे-समझे मिलाने से केवल टारगेट डेटा का उपयोग करने की तुलना में प्रदर्शन खराब हो सकता है।
- विषमता मॉडलिंग (Heterogeneity Modeling): मौजूदा विधियाँ अक्सर स्थिर गुणांकों (invariant) या पूरी तरह से विषम गुणांकों की धारणा रखती हैं। ऐसे ढांचों की कमी है जो इन दो स्थितियों के बीच सामंजस्य बिठाने के लिए गुणांकों के सुचारू परिवर्तन (smooth variation) को स्पष्ट रूप से मॉडल कर सकें।
- अनुमान (Inference): अधिकांश ट्रांसफर लर्निंग विधियाँ केवल पॉइंट एस्टीमेशन (point estimation) पर ध्यान केंद्रित करती हैं और उनमें वैध अनिश्चितता परिमाणीकरण (जैसे कॉन्फिडेंस इंटरवल) का अभाव होता है क्योंकि उनके एस्टिमेटर्स में जटिल, डेटा-अनुकूली पूलिंग और श्रिंकेज शामिल होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक सेमी-पैरामीट्रिक डोमेन-वेरिंग कोएफिशिएंट मॉडल (DVCM) और एक दो-चरणीय अनुकूली एस्टिमेटर (two-step adaptive estimator) प्रस्तावित करते हैं।

A. मॉडल: डोमेन-वेरिंग कोएफिशिएंट मॉडल (DVCM)

एक निश्चित गुणांक वेक्टर $\theta$ या प्रत्येक डोमेन के लिए एक पूरी तरह से अलग $\theta_k$ मानने के बजाय, लेखक गुणांक को डोमेन पहचानकर्ता $U$ के एक सुचारू फलन (smooth function) के रूप में मॉडल करते हैं:
$E[Y | X, U] = g^{-1}(X^\top \theta(U))$
जहाँ $g$ एक लिंक फंक्शन है (लीनियर के लिए आइडेंटिटी, लॉजिट के लिए लॉजिट, आदि), और $\theta(\cdot)$ एक हॉल्डर स्मूथनेस क्लास $\mathcal{H}(\beta, L)$ से संबंधित है। यह संरचना समान $U$ मानों वाले डोमेनों के बीच सूचना साझा करने की अनुमति देती है।

B. एस्टिमेटर: दो-चरणीय अनुकूली प्रक्रिया (Two-Step Adaptive Procedure)

प्रस्तावित एस्टिमेटर $\hat{\theta}_{TL}(u_0)$ , नॉन-पैरामीट्रिक पूलिंग और रिज (ridge) रेगुलराइजेशन को जोड़ता है:

चरण I: नॉन-पैरामीट्रिक पायलट एस्टीमेशन
- सभी डोमेन (सोर्स और टारगेट) से प्राप्त पूलिंग डेटा का उपयोग करके एक पायलट एस्टिमेटर $\hat{\theta}_{DVCM}(u_0)$ का निर्माण करें, जिसे डोमेन पहचानकर्ताओं $U_k$ की टारगेट $u_0$ से निकटता के आधार पर भारित (weighted) किया गया है।
- यह चरण पास के डोमेनों से शक्ति उधार लेता है लेकिन यदि स्मूथनेस धारणा का उल्लंघन होता है या बैंडविड्थ गलत चुनी जाती है, तो यह बायस (bias) के प्रति संवेदनशील होता है।
चरण II: अनुकूली फाइन-ट्यूनिंग (रिज रेगुलराइजेशन)
- पायलट एस्टिमेटर को केवल टारगेट डोमेन डेटा का उपयोग करके एक रिज-रेगुलराइज्ड रिग्रेशन के माध्यम से परिष्कृत करें:
  $\hat{\theta}_{TL}(u_0) = \arg\min_{\alpha} \left( \frac{1}{n_0} \sum_{i \in I_0} \ell(X_{0i}^\top \alpha, Y_{0i}) + \frac{1}{2} \|\alpha - \hat{\theta}_{DVCM}(u_0)\|_Q^2 \right)$
- मुख्य नवाचार: पेनल्टी मैट्रिक्स $Q$ को पायलट एस्टिमेटर के इनवर्स मीन स्क्वेर्ड एरर (MSE) के आधार पर डेटा-अनुकूली (data-adaptively) रूप से चुना जाता है।
- तंत्र:
  - यदि पायलट एस्टिमेटर सटीक है (कम MSE), तो $Q$ बड़ा होता है, जिससे पूल किए गए अनुमान की ओर मजबूत श्रिंकेज होता है।
  - यदि पायलट एस्टिमेटर शोर युक्त या बायस्ड है (उच्च MSE), तो $Q$ छोटा होता है, जिससे एस्टिमेटर केवल टारगेट-ओनली समाधान की ओर लौट आता है।
- यह डिज़ाइन नेगेटिव ट्रांसफर के विरुद्ध मजबूती सुनिश्चित करता है: $\hat{\theta}_{TL}$ का जोखिम टारगेट-ओनली एस्टिमेटर से कभी भी खराब नहीं होता है।

C. कार्यान्वयन विवरण

डेटा विभाजन (Data Splitting): पायलट और फाइन-ट्यूनिंग चरणों के बीच सैद्धांतिक स्वतंत्रता सुनिश्चित करने के लिए, टारगेट डेटा को दो हिस्सों में विभाजित किया जाता है।
$Q$ का अनुमान: लेखक पायलट एस्टिमेटर के अज्ञात MSE घटकों (बायस और वेरिएंस) का प्लग-इन और सैंडविच एस्टिमेटर्स का उपयोग करके अनुमान लगाने के लिए एक पूर्ण डेटा-संचालित विधि प्रदान करते हैं।

3. प्रमुख सैद्धांतिक योगदान (Key Theoretical Contributions)

A. मिनिमैक्स ऑप्टिमलिटी (Minimax Optimality)

यह शोध पत्र स्थापित करता है कि प्रस्तावित एस्टिमेटर $\theta(u_0)$ के अनुमान के लिए मिनिमैक्स-ऑप्टिमल कन्वर्जेंस रेट प्राप्त करता है। यह दर निम्नलिखित पर निर्भर करते हुए एक फेज ट्रांजिशन (phase transition) द्वारा निर्धारित होती है:

$n_0$ : टारगेट सैंपल साइज।
$n$ : कुल सैंपल साइज (टारगेट + सोर्सेस)।
$K$ : सोर्स डोमेन की संख्या।
$\beta$ : गुणांक फलन $\theta(\cdot)$ की स्मूथनेस।
$\gamma$ : डोमेन पहचानकर्ताओं का फैलाव (डिस्पर्सन)।

इष्टतम दर है:
$\text{Rate} \asymp n_0^{-1} \wedge \max\left( (K/\gamma)^{-2\beta}, (n/\gamma)^{-\frac{2\beta}{2\beta+1}}, n^{-1} \right)$

निहितार्थ: एस्टिमेटर स्वचालित रूप से "सर्वश्रेष्ठ" शासन (regime) के अनुकूल हो जाता है। यदि स्रोत पास हैं और सुचारू हैं, तो यह तेज़ नॉन-पैरामीट्रिक दर प्राप्त करता है। यदि स्रोत दूर या सूचनाहीन हैं, तो यह पैरामीट्रिक टारगेट-ओनली दर ( $n_0^{-1}$ ) पर लौट आता है।

B. एसिम्प्टोटिक नॉर्मलिटी और इन्फरेंस (Asymptotic Normality and Inference)

एक प्रमुख योगदान डेटा-अनुकूली पेनल्टी मैट्रिक्स के चयन के बावजूद, उपयुक्त अंडरस्मूथिंग स्थितियों के तहत $\hat{\theta}_{TL}$ के एसिम्प्टोटिक वितरण का व्युत्पन्न है:
$\hat{\Sigma}_{TL}^{-1/2} (\hat{\theta}_{TL}(u_0) - \theta(u_0)) \xrightarrow{d} N(0, I_p)$
यह वैध कॉन्फिडेंस इंटरवल और परिकल्पना परीक्षण (hypothesis tests) के निर्माण को सक्षम बनाता है जो ट्रांसफर लर्निंग प्रक्रिया से उत्पन्न अनिश्चितता को सही ढंग से ध्यान में रखते हैं।

C. नेगेटिव ट्रांसफर गारंटी (Negative Transfer Guarantee)

सैद्धांतिक प्रमाण दर्शाते हैं कि प्रस्तावित एस्टिमेटर नेगेटिव ट्रांसफर से मुक्त है। इसका मीन स्क्वेर्ड एरर (MSE), टारगेट-ओनली एस्टिमेटर और पूल्ड नॉन-पैरामीट्रिक एस्टिमेटर के MSE के न्यूनतम मान द्वारा सीमित (bounded) होता है।

4. परिणाम और सत्यापन (Results and Validation)

सिमुलेशन अध्ययन:
- अनुकूलन क्षमता (Adaptivity): एस्टिमेटर डोमेन विषमता ( $\gamma$ ) और सोर्स की संख्या ( $K$ ) के विभिन्न स्तरों के बीच टारगेट-ओनली या पूल्ड एस्टिमेटर्स में से बेहतर को सफलतापूर्वक ट्रैक करता है।
- फेज ट्रांजिशन: $K, \gamma, n$ बनाम MSE के लॉग-लॉग प्लॉट सैद्धांतिक फेज ट्रांजिशन और कन्वर्जेंस रेट की पुष्टि करते हैं।
- नॉर्मलिटी: मानकीकृत एस्टिमेटर्स के हिस्टोग्राम मानक सामान्य वितरण के साथ संरेखित होते हैं, जो इन्फरेंस प्रक्रियाओं को मान्य करते हैं।
वास्तविक डेटा अनुप्रयोग:
1. SLID-Ontario डेटासेट: जनसांख्यिकी के आधार पर प्रति घंटा मजदूरी की भविष्यवाणी करना, जहाँ "रोजगार के वर्ष" डोमेन पहचानकर्ता के रूप में कार्य करता है। इस पद्धति ने पास के रोजगार समूहों से जानकारी लेकर डेटा-दुर्लभ क्षेत्रों में भविष्यवाणी सटीकता में सुधार किया।
2. US Adult Income डेटासेट: आय >$50k की भविष्यवाणी करना। अनुकूली ट्रांसफर लर्निंग एस्टिमेटर ने बासलाइन मॉडल्स को लगातार पछाड़ दिया या उनके बराबर प्रदर्शन किया, जो बाइनरी क्लासिफिकेशन सेटिंग में मजबूती प्रदर्शित करता है।

5. महत्व और प्रभाव (Significance and Impact)

पैरामीट्रिक और नॉन-पैरामीट्रिक के बीच सेतु: DVCM ढांचा डोमेन ड्रिफ्ट को संभालने के लिए एक संरचित, व्याख्या योग्य तरीका प्रदान करता है, जो कठोर अपरिवर्तनीयता धारणाओं या असंरचित ब्लैक-बॉक्स अनुकूलन से आगे बढ़ता है।
सैद्धांतिक कठोरता: यह उन कुछ कार्यों में से एक है जो संरचित विषमता के साथ ट्रांसफर लर्निंग के लिए मैचिंग मिनिमैक्स लोअर और अपर बाउंड्स प्रदान करता है, यह सिद्ध करता है कि प्रस्तावित विधि सांख्यिकीय रूप से इष्टतम है।
व्यावहारिक उपयोगिता: नेगेटिव ट्रांसफर की समस्या को हल करके और वैध अनिश्चितता परिमाणीकरण प्रदान करके, यह विधि ट्रांसफर लर्निंग को उच्च-जोखिम वाले अनुप्रयोगों (जैसे स्वास्थ्य सेवा, अर्थशास्त्र) के लिए सुरक्षित और अधिक विश्वसनीय बनाती है, जहाँ सोर्स डेटा पर अत्यधिक निर्भरता हानिकारक हो सकती है।
सामान्यीकरण (Generalizability): यह कार्य लीनियर मॉडल्स से लेकर जनरलाइज्ड लीनियर मॉडल्स (GLMs) तक विस्तारित है, जिसमें रिग्रेशन, लॉजिस्टिक रिग्रेशन और पॉइसन रिग्रेशन शामिल हैं।

संक्षेप में, यह शोध पत्र सुचारू डोमेन ड्रिफ्ट की उपस्थिति में ट्रांसफर लर्निंग के लिए एक सैद्धांतिक रूप से ठोस, कम्प्यूटेशनल रूप से कुशल और अनुकूली समाधान प्रदान करता है, यह सुनिश्चित करते हुए कि बाहरी डेटा का लाभ उठाना कभी भी प्रदर्शन को नुकसान नहीं पहुँचाता है जबकि यह कठोर सांख्यिकीय अनुमान को सक्षम करता है।